Fuzzy Logic - En.español

Introducción a la lógica difusa
Franck Dernoncourt
franck.dernoncourt@gmail.com
MIT, Enero 2013

Contenido
Contenido yo
Lista de Figuras ii
1. Introducción 1
1.1 Conjunto de repaso teoría . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2 lógica Fuzzy 5
2.1 conjuntos difusos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Las variables lingüísticas . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3 Los operadores difusos . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4 Razonamiento en lógica difusa . . . . . . . . . . . . . . . . . . . . . . . . 11
2.5 El catión fi defuzzi . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6 Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3 sistemas de inferencia difusos de formación 18

3.1 Sistemas Neuro-Fuzzy . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 La computación evolutiva . . . . . . . . . . . . . . . . . . . . . . . 19
4 Agradecimientos 20
Bibliografía 21
yo
Lista de Figuras
1.1 Representación gráfica del conjunto {1, 5, 6, 7, 10} . . . . . . . . . . . . 2

1.2 Unión de dos conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1,3 intersección de dos conjuntos . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.4 Representación gráfica de conjuntos . . . . . . . . . . . . . . . . . . . . . . 4
2.1 “La teoría clásica de conjuntos es un subconjunto de la teoría de conjuntos difusos” . . . . 5

2.2 Función de pertenencia que caracteriza el subconjunto de 'buena' calidad de servicio . . . . . . . . . . .
......................... 6
2.3 Representación gráfica de un conjunto convencional y un conjunto difuso . . . . . 7
2.4 Comparación entre una función de identidad de un conjunto convencional y una función de
pertenencia de conjunto difuso . . . . . . . . . . . . . . . . . . . . . 7
2.5 Una función de pertenencia con propiedades que se muestran . . . . . . . . . . . . 8
2.6 variable lingüística 'calidad de servicio' . . . . . . . . . . . . . . . . . . . 9
2.7 variable lingüística 'calidad de los alimentos' . . . . . . . . . . . . . . . . . . . . 9
2,8 'cantidad punta' variable lingüística . . . . . . . . . . . . . . . . . . . . . . 10
2.9 Ejemplo de implicación difusa . . . . . . . . . . . . . . . . . . . . . . . 12
2,10 Ejemplo de implicación difusa con conjunción o traducido en un MAX . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . 13
2,11 Ejemplo de implicación difusa usando la matriz de decisión . . . . . . . . 13
2,12 Defuzzi fi cación con el método de la media de los máximos (MeOM) . . . 14
2,13 Defuzzi fi cación con el método del centro de gravedad (COG) . . . . . . 15
2,14 diagrama general de un sistema difuso: . . . . . . . . . . . . . . . . . . . dieciséis
2.15 Las decisiones de un sistema basado en sistema difuso . . . . . . . . . . . . . . . dieciséis
2.16 Las decisiones de un sistema basado en la lógica clásica . . . . . . . . . . . . . . 17
3.1 Ejemplo de una red neuronal feedforward . . . . . . . . . . . . . . . . 18

3.2 Estructura de un sistema neuro-difusa . . . . . . . . . . . . . . . . . . . . . 19
ii
Capítulo 1
Introducción
La lógica difusa es una extensión de la lógica booleana por Lot fi Zadeh en 1965 basado en la teoría matemática de
conjuntos difusos, que es una generalización de la teoría de conjuntos clásica. Mediante la introducción de la noción de
grado en el la verificación de una condición, permitiendo así una condición de estar en un estado que no sea verdadera o
falsa, la lógica difusa proporciona una flexibilidad muy valiosa para el razonamiento, lo que permite tener en cuenta las
imprecisiones e incertidumbres.
Una de las ventajas de la lógica difusa para formalizar el razonamiento humano es que las normas se especifican en
lenguaje natural. Por ejemplo, aquí hay algunas reglas de conducta que un conductor sigue, suponiendo que él no
quiere perder su licencia de conducir:
Si la luz es roja ... si mi velocidad es alta ... y si la luz está cerca ... entonces frenar fuerte.
Si la luz es roja ... si mi velocidad es baja ... y si la luz es mucho ... entonces puedo mantener mi
velocidad.
Si la luz es de color naranja Si mi velocidad promedio es ... y si la luz es mucho ... entonces frenar suavemente.
...
Si la luz es verde ... si mi velocidad es baja ... y si la luz está cerca ... entonces acelero.
Intuitivamente, por lo tanto parece que las variables de entrada como en este ejemplo son aproximadamente apreciados por el
cerebro, tales como el grado de la verificación de una condición en la lógica difusa.
Para ejemplificar cada una de fi nición de la lógica difusa, desarrollamos lo largo de este curso de introducción de un
sistema de inferencia difuso cuyo objetivo específico es decidir la cantidad de
1
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 2 de 20
una punta al final de una comida en un restaurante, en función de la calidad del servicio y la calidad de la
comida.
1.1 Conjunto de repaso teoría
Un conjunto es una Muchos que se deja ser pensado como un uno. Georg Cantor.
Para empezar, un repaso rápido de los conjuntos clásicos puede ser útil si usted no ha tratado con ellos por
mucho tiempo.
La teoría clásica de conjuntos simplemente designa la rama de las matemáticas que estudia conjuntos. Por ejemplo, 5, 10,
7, 6, 9 es un conjunto de números enteros. 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 es el conjunto de números enteros entre 0 y 10. 's'
'd'; 'Z', 'a' es un conjunto de caracteres. “Sitio”, “de”, “cero” es un conjunto de palabras. También podemos crear conjuntos
de funciones, suposiciones, de fi niciones, conjuntos de individuos (es decir, una población), etc., e incluso conjuntos de
conjuntos!
Tenga en cuenta que en un conjunto, el orden no importa: 7, 6, 9 indica el mismo conjunto que 9, 7, 6. Sin embargo, para mejorar la
legibilidad, es conveniente clasificar los elementos en orden ascendente, es decir, 6, 7, 9. por lo general, un conjunto se denota por
una letra mayúscula: por lo tanto, escribimos a = 6,
7, 9. El conjunto vacío se denota ∅: es una notable ya que no contiene ningún elemento. Esto parece innecesaria a
primera vista, pero en realidad, que a menudo utilizarlo.
Los conjuntos se representan a menudo en forma gráfica, por lo general mediante círculos, como la fi gura 1.1 ilustra.
Figura 1.1: Representación gráfica del conjunto {1, 5, 6, 7, 10}
El concepto de pertenencia es importante en la teoría de conjuntos: se refiere al hecho de que un elemento es parte de
un conjunto o no. Por ejemplo, el número entero 7 pertenece al conjunto 6,
7, 9. En contraste, el número entero 5 no pertenece al conjunto 6, 7, 9. Composición es
Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

Este tutorial se encuentra bajo la licencia Creative Commons-BY-SA. Le invitamos a distribuirlo siempre y cuando mantenga la licencia y se cite el autor de este documento.
http://francky.me
simbolizado por el personaje de la no pertenencia y por el mismo símbolo, pero barrotes OSIBLE. Por lo
tanto, tenemos 7 ∈ { 6, 7, 9} y 5 / ∈ { 6, 7, 9}.
Una función de pertenencia (también llamada función de indicador o función característica) es una función que la
pertenencia explícita o no un conjunto E. Sea f la función característica del conjunto E = { 6, 7, 9}, y x es cualquier
número entero: fórmula TODO Math
Este concepto de pertenencia es muy importante para este curso porque la lógica difusa se basa en el concepto de
pertenencia borrosa. Esto simplemente significa que podemos pertenecer a un conjunto a 0,8, en contraste con la teoría
clásica de conjuntos donde, como acabamos de ver la membresía es 0 (no en propiedad) o 1 (parte).
Con el fin de manipular conjuntos clásicos y hacer algo interesante, definimos un conjunto de operaciones,
que son muy intuitiva. Figuras 1.2 , 1.2 y
Figura 1.2: unión de dos conjuntos, que se denota UN ∪ B = {x ∈ Aextorx INB}. UN ∪ segundo
corresponde a la zona azul. Por ejemplo, si A = { 6; 7; 9} et B = { 1; 5; 6; 7; 10}, entonces UN ∪ B = { 1; 5; 6; 7;

9; 10}.
Figura 1.3: intersección de dos conjuntos, que se denota UN ∩ B = {x ∈ Aetx ∈ SEGUNDO}. Por ejemplo, si A = { 6; 7; 9} y B
= { 1; 5; 6; 7; 10}, entonces UN ∩ B = { 6; 7}.

http://francky.me
Figura 1.4: Aquí es la representación gráfica de los conjuntos A = { 6, 7, 9} y

B = { 1, 5, 6, 7, 10}. Vemos inmediatamente que UN ∪ B = { 1, 5, 6, 7, 9, 10} y
A CAPB = { 6, 7}.
Pero la teoría clásica de conjuntos no es objeto de este curso, por lo que se detiene aquí. Sin embargo, como la lógica
difusa se basa en el concepto de la difusa, que vemos ahora el tipo de problemas que enfrentamos y que vamos a
resolver en las siguientes secciones: la forma de definir una unión tal si membresías no son 0 o 1?

http://francky.me
Capítulo 2
Lógica difusa
A medida que aumenta la complejidad, las declaraciones precisas pierden significado y enunciados significativos
pierden precisión. Albert Einstein.
2.1 conjuntos difusos
La lógica difusa se basa en la teoría de conjuntos difusos, que es una generalización de la teoría de conjuntos clásica. Decir que
la teoría de conjuntos difusos es una generalización de la teoría clásica de conjuntos significa que el último es un caso especial
de la teoría de conjuntos difusos. Para hacer una metáfora para hablar en la teoría de conjuntos, la teoría clásica de conjuntos
es un subconjunto de la teoría de conjuntos difusos, como la fi gura 2.1 ilustra.
Figura 2.1: “La teoría clásica de conjuntos es un subconjunto de la teoría de conjuntos difusos”
La lógica difusa se basa en la teoría de conjuntos difusos, que es una generalización de la teoría de conjuntos clásica [ Zadeh,
1965 ]. Por abuso de lenguaje, siguiendo las costumbres de la literatura, utilizaremos los términos conjuntos difusos en lugar de
subconjuntos borrosos. Los conjuntos clásicos también se denominan conjuntos claros, en contraposición a vago, y por la misma
lógica clásica contador también se conoce como lógica booleana o binario.
5
Figura 2.2: Función de pertenencia que caracteriza el subconjunto de 'buena' calidad de servicio
La fi gura 2.2 muestra la función de pertenencia elegido para caracterizar el subconjunto de 'buena' calidad de
servicio.
De definición 1.
Sea X un conjunto. Un subconjunto A fuzzy de X se caracteriza por una Función de la membresía. F un : X → [ 0,
1]. ( En teoría, es posible que la salida es mayor que 1, pero en la práctica casi nunca se utiliza.)
Nota: Esta función de pertenencia es equivalente a la función de la identidad de un conjunto clásico.
En nuestro ejemplo la punta, vamos a rede fi ne funciones de pertenencia para cada conjunto difuso de cada uno de nuestros tres
variables:
• Entrada 1: calidad de servicio. Subconjuntos: pobres, buenos y excelentes.
• Entrada 2: calidad de los alimentos. Subconjuntos: horrible y deliciosa.
• Salida: cantidad de propina. Subconjuntos: bajo, medio y alto.
La forma de la función de pertenencia se elige arbitrariamente siguiendo los consejos del experto o por estudios
estadísticos: sigmoide, hiperbólica, tangente, exponenciales, Gaussian o cualquier otra forma puede ser utilizado.
La fi gura 2.3 muestra la rencia di ff entre un conjunto convencional y un conjunto difuso correspondiente a un
alimento delicioso.
La fi gura 2.4 comparar las dos funciones de pertenencia correspondientes a la serie anterior.

http://francky.me
Figura 2.3: Representación gráfica de un conjunto convencional y un conjunto difuso
Figura 2.4: Comparación entre una función de identidad de un conjunto convencional y una función de pertenencia de
conjunto difuso
Con el fin de definir las características de los conjuntos difusos, estamos redefiniendo y ampliando las características habituales
de los conjuntos clásicos.
set Fuzzy tienen una serie de propiedades. Aquí son de fi niciones de las propiedades más importantes, pero
son notnecessary para la comprensión del curso. Si lo desea, puede ir ahora directamente a la siguiente
sección.
Sea X un conjunto y A un subconjunto difuso de X e μ UN la función de pertenencia que lo caracteriza. μ UN( X) se

llama el grado de pertenencia de x en A.
De fi nición 2.
los altura de A, denotado decir ah), corresponde al límite superior del codominio de su función de
pertenencia: h (A) = cenar{ μ UN( x) | X ∈ X}.
De fi nición 3.
A se dice que es normalizado si y solo si h (A) = 1. En la práctica, es extremadamente raro para trabajar en conjuntos
difusos no normalizados.
De fi nición 4.
los apoyo de A es el conjunto de elementos de X que pertenecen a al menos algunos A (es decir,

http://francky.me
el grado de pertenencia de x es estrictamente positiva). En otras palabras, el apoyo es el conjunto supp ( A) = {x ∈ X

| μ UN( X) > 0}.
De fi nición 5.
los núcleo de A es el conjunto de elementos de X que pertenecen enteramente a A. En otras palabras, el núcleo Noy (A)
= {x ∈ X | μ UN( x) = 1}. Por construcción, Noy ( UN) ⊆ supp ( UN).
De fi nición 6.
Un α- cortar de A es el subconjunto clásico de elementos con un grado de pertenencia mayor que o igual a α: α- cortar(
A) = {x ∈ X | μ UN( X) > Α}.
Otra función de pertenencia para una punta de media a través del cual hemos incluido las propiedades anteriores se
presenta en la figura 2.5 .
Figura 2.5: Una función de pertenencia con propiedades que se muestran
Podemos ver que si A es un conjunto convencional, que simplemente tienen supp ( A) = Noy (A)
y h (A) = 1 ( UNED h (A) = 0 si A = ∅). Por lo tanto, nuestras de fi niciones pueden recuperar las propiedades usuales de los
conjuntos clásicos. No vamos a hablar acerca de la propiedad cardinalidad porque no vamos a utilizar este concepto más adelante
en este curso.
2.2 Las variables lingüísticas
El concepto de función de pertenencia se discutió anteriormente nos permite dE sistemas difusos fi ne en el

lenguaje natural, como la lógica difusa función de pertenencia pareja con variables lingüísticas que nos definen
ahora.
De fi nición 7.
Sea V una variable (calidad de servicio, la cantidad punta, etc.), X de la gama de valores de

http://francky.me
y la variable T V un finito o en fi conjunto finito de conjuntos difusos. UN variable lingüística

corresponde al triplete ( V, X, T V).
Figura 2.6: variable lingüística 'calidad de servicio'
Figura 2.7: variable lingüística 'calidad de la comida'

http://francky.me
Figura 2.8: variable lingüística 'cantidad punta'
Cuando definimos los conjuntos difusos de variables lingüísticas, el objetivo no es exhaustiva definen las variables
lingüísticas. En su lugar, sólo se definen unos subconjuntos borrosos que serán útiles más adelante en definición de las
reglas que aplicamos la misma. Este es, por ejemplo, la razón por la que tenemos no de fi nida subconjunto “promedio”
para la calidad de la comida. De hecho, este subconjunto no será útil en nuestras reglas. Del mismo modo, también es la
razón por la que (por ejemplo) 30 es una punta superior a 25, mientras que el 25, sin embargo pertenece más al conjunto
difuso “alta”, como 30: esto se debe al hecho de que el 30 se ve, no tan alto pero muy alta (o exorbitante si se quieren
cambiar adjetivo). Sin embargo, no hemos creado de conjunto difuso “muy alta” porque no lo necesitamos en nuestras
reglas.
2.3 Los operadores difusos
Con el fin de manipular fácilmente los conjuntos borrosos, estamos redefiniendo los operadores de la teoría clásica de conjuntos para
encajar las funciones de pertenencia especí fi cos de la lógica difusa para los valores estrictamente entre 0 y 1.
A diferencia de las de fi niciones de las propiedades de los conjuntos difusos que son siempre los mismos, se elige la
definición de los operadores de conjuntos difusos, como funciones de pertenencia. Estos son los dos conjuntos de
operadores para el complemento (NO), la intersección (Y) y la unión (O) que se utiliza con mayor frecuencia:

http://francky.me
Nombre Y Intersección: Unión OU: μ UN ∪ SEGUNDO( X) Complementar NO:

μ UN ∩ SEGUNDO( X) μ ¯Hacha)
Los operadores Zadeh MIN min (μ UN( x), mu SEGUNDO( x)) max (μ UN( x), mu SEGUNDO( X)) 1 - μ UN( X)
/ MAX
PROD probabilístico / μ UN( X) × μ SEGUNDO( X) μ UN( X) + μ SEGUNDO( X) - 1 - μ UN( X)
PROBOR μ UN( X) × μ SEGUNDO( X)
Con los habituales de fi niciones de los operadores difusos, siempre nos encontramos las propiedades de
conmutatividad y asociatividad distributivity clásicos. Sin embargo, hay dos excepciones notables:
• En la lógica difusa, la ley del medio excluido se contradice: UN ∪ ¯ UN 6 = X, es decir
μ UN ∪ UN(
¯
X) 6 = 1.
• En la lógica difusa, un elemento puede pertenecer a A y no A al mismo tiempo:

UN ∩ ¯ UN 6 = ∅, es decir μ UN ∩ ¯ UN( X) 6 = 0. Tenga en cuenta que estos elementos corresponden al conjunto
supp ( UN) - Noy ( UN).
2.4 Razonamiento en lógica difusa
En la lógica clásica, los argumentos son de la forma:
{ Si p entonces q qp cierto, entonces
la verdadera
En la lógica difusa, razonamiento difuso, también conocido como razonamiento aproximado, se basa en
reglas difusas que se expresan en lenguaje natural el uso de variables lingüísticas que hemos dado la definición
anterior. Una regla difusa tiene la forma:
Si X ∈ UN y y ∈ segundo entonces z ∈ DO, con A, B y C conjuntos difusos.
Por ejemplo:
"Si (la calidad de la comida es deliciosa), entonces (la punta es alta).
La 'punta' variable pertenece al conjunto difuso 'alto' en un grado que depende del grado de validez de la
premisa, es decir, el grado de pertenencia de la variable 'calidad de los alimentos' para el conjunto difuso
'delicioso'. La idea subyacente es que las proposiciones más en premisa se comprueban, las más de las
acciones de salida sugeridas deben aplicarse. Para determinar el grado de verdad de la proposición borrosa
'punta será alto', debemos de definir la implicación difusa.
Al igual que otros operadores difusos, no existe una única definición de la implicación difusa: el diseñador de sistemas
difusos debe elegir entre la amplia variedad de implicaciones borrosas

http://francky.me
Ya se ha definido, o configurarlo manualmente. Aquí están dos de fi niciones de implicación difusa utilizados más comúnmente:
Nombre Valor de verdad
Mamdani min (f un( x), f segundo( X))

Larsen F un( X) × F segundo( X)
Cabe destacar que estas dos consecuencias no se generalizan la implicación clásica. Hay otras de fi niciones de
implicación difusa generalizando la implicación clásica, sino que se utilizan con menos frecuencia.
Si elegimos la implicación de Mamdani, esto es lo que nos pasa por la regla difusa 'Si (la calidad de la comida es deliciosa), entonces (la
punta es alta)' donde tiene una clasificación de la calidad de los alimentos 8,31 sobre 10:
Figura 2.9: Ejemplo de implicación difusa
El resultado de la aplicación de una regla difusa depende, pues, de tres factores:
1. la definición de la implicación difusa elegido,
2. la definición de la función de pertenencia del conjunto difuso de la proposición se encuentra al final de

la regla difusa,
3. el grado de validez de las proposiciones ubicados premisa.
Como tenemos de fi nen los operadores difusos Y, OR y NOT, la premisa de una regla difusa bien puede ser formado a
partir de una combinación de proposiciones borrosas. Todas las reglas de un sistema difuso se llama el matriz de decisión. Aquí
está la matriz de decisión para nuestro ejemplo consejo:
Si el servicio es malo o la comida es horrible a continuación, la punta es baja
Si el servicio es bueno a continuación, la punta es la media
Si el servicio es excelente o la comida es deliciosa a continuación, la punta es alto

http://francky.me
La fi gura 2.10 muestra lo que nos pasa por regla difusa 'Si (el servicio es excelente y la comida es deliciosa), entonces
(la punta es alta)' donde la calidad de servicio tiene una clasificación de 7,83 sobre 10 y la calidad de los alimentos 7,32
sobre 10 si elegimos la implicación de Mamdani y la traducción de O por Max.
Figura 2.10: Ejemplo de implicación difusa con conjunción o traducido en un MAX
Ahora vamos a aplicar todas las 3 reglas de nuestra matriz de decisión. Sin embargo, vamos a obtener tres
conjuntos difusos de la punta: vamos a agregarlos por el operador MAX que casi siempre se utiliza para la
agregación. La figura ?? muestra esta agregación.
Figura 2.11: Ejemplo de implicación difusa usando la matriz de decisión

http://francky.me
Como vemos, que ahora tiene que tomar la decisión final, es decir, decidir cuánto la punta será saber que la calidad de
servicio tiene una clasificación de 7,83 sobre 10 y la calidad de los alimentos
7.32 de 10. Este paso nal fi, que permite cambiar desde el conjunto difuso resultante de la agregación de
los resultados a una sola decisión, se llama el fi cación defuzzi.
2.5 El catión fi defuzzi
Al igual que con todos los operadores difusos, el diseñador del sistema difuso debe elegir entre varias posibles de fi
niciones de defuzzi fi cación. Una lista detallada se puede encontrar en el artículo de investigación [ Leekwijck y Kerre, 1999 ].
Vamos a brevemente presentan los dos métodos principales de defuzzi fi cación: el método de la media de los máximos
(MeOM) y el método del centro de gravedad (COG).
El defuzzi fi cación MeOM establece la salida (decisión de la cantidad de punta) como el promedio de las abscisas de los
máximos de las conjunto difuso resultante de la agregación de los resultados de implicación.
re E
' CISIÓN = ∫S y · dy
S dy
dónde S = {y metro ∈ R, μ (y m) = CENAR y ∈ R ( μ (y))}

y R es el conjunto difuso resultante de la agregación de los resultados de implicación.
Figura 2.12: fi cación Defuzzi con el método de la media de los máximos (MeOM)
El COG defuzzi fi cación se utiliza más comúnmente. Se define la salida como correspondiente a la abscisa
del centro de gravedad de la superficie de la función de pertenencia que caracteriza el conjunto difuso
resultante de la agregación de los resultados de implicación.

http://francky.me
re E
' CISIÓN = ∫S y · μ (u) · dy
Sμ (u) · dy
Figura 2.13: Defuzzi fi cación con el método del centro de gravedad (COG)
Esta definición evita las discontinuidades podrían aparecer en el catión MeOM defuzzi fi, pero es más complejo y
tiene un mayor coste computacional. Algunos trabajan como [ Madau D., 1996 ] Tratar de mejorar el rendimiento
mediante la búsqueda de otros métodos como eficaz, pero con una menor complejidad computacional. Como
vemos en las dos figuras que muestran la MeOM y COG defuzzi fi caciones aplicadas a nuestro ejemplo, la
elección de este método puede tener un fi significativo e ff efecto sobre la decisión final.
2.6 Conclusiones
En las de fi niciones, hemos visto que el diseñador de un sistema difuso debe tomar una serie de decisiones
importantes. Estas decisiones se basan principalmente en el asesoramiento del experto o análisis estadístico de los
datos del pasado, en particular, para definir las funciones de pertenencia y la matriz de decisión.
Aquí es un diagrama general de un sistema difuso:
En nuestro ejemplo,
• el entrada es 'la calidad del servicio tiene una clasificación de 7,83 sobre 10 y la calidad de los alimentos
7.32 10' ,

http://francky.me
Figura 2.14: Resumen diagrama de un sistema difuso:
• el Fuzzi fi cador corresponde a 'calidad de servicio' las 3 variables lingüísticas, 'calidad de los alimentos' y 'cantidad
punta',
• el máquina de inferencia está hecho de la elección de los operadores difusos,
• el base de conocimientos difusa es el conjunto de reglas difusas,
• el defuzzi fi cador es la parte donde tiene que ser elegido el método de defuzzi catión fi,
• el salida es la decisión final: 'el importe de la propina es 25.1'.
Es interesante ver todas las decisiones en función de cada variable con nuestro sistema de inferencia borrosa en
comparación con las decisiones que nos darían el uso de la lógica clásica:
Figura 2.15: Las decisiones de un sistema basado en sistema difuso

http://francky.me
Figura 2.16: Las decisiones de un sistema basado en la lógica clásica
Por lo tanto, la lógica difusa permite la construcción de sistemas de inferencia en el que se toman las decisiones sin
discontinuidades, flexible y no lineales, es decir, más cerca de la conducta humana que es la lógica clásica. Además, las
reglas de la matriz de decisión se expresan en lenguaje natural. Esto tiene muchas ventajas, como son los conocimientos
de un sistema informático que no es experto en el corazón del modelo o fi ner aspectos de toma de decisiones de lenguaje
natural.
Veremos en el tercer capítulo cómo podemos entrenar a un sistema de inferencia difusa para el problema específico.

http://francky.me
Capítulo 3
El entrenamiento de los sistemas de inferencia difusos
3.1 Sistemas Neuro-Fuzzy
sistemas Neuro-Fuzzy se introdujeron en la tesis de Jyh-Shing Roger Jang en 1992 bajo el nombre de “basan
Adaptativos-Redes-Fuzzy Inferencia Sistemas” (ANFIS) [ Jangi, 1992 ]. Ellos usan el formalismo de las redes
neuronales mediante la expresión de la estructura de un sistema difuso en la forma de un perceptrón multicapa.
A perceptrón multicapa (MLP) es una red neural sin ciclo. La capa de entrada se da una red vector y la red
devuelve un vector resultado en la capa de salida. Entre estas dos capas, los elementos del vector de
entrada son ponderados por los pesos de las conexiones y se mezclaron en las neuronas ocultas ubicadas
en la capa oculta. Figura 3.1 ilustra un ejemplo de una red neuronal feedforward.
Figura 3.1: Ejemplo de una red neuronal feedforward
18
Varias funciones de activación de la capa de salida se utilizan comúnmente, tales como lineal, logística o softmax.
Del mismo modo, existen varios algoritmos de retropropagación de errores que optimizan el aprendizaje de los
pesos de los errores cometidos entre los valores calculados por la red y los valores reales: la optimización del
gradiente conjugado, Scaled gradiente conjugado, Quasi-Newton optimización, y así sucesivamente.
Figura 3.2 presenta un ejemplo de la organización de un perceptrón multicapa que representa el sistema
neuro-fuzzy:
Figura 3.2: Estructura de un sistema de neuro-fuzzy
TODO: ampliar
3.2 La computación evolutiva
QUE HACER

http://francky.me
Capítulo 4
Expresiones de gratitud
Quiero agradecer (en orden cronológico):
2011 Jean Baratgin y Emmanuel Sander por dejarme la oportunidad de escribir

este curso en lógica difusa,
2011 Alp Mestan y Romuald Perrot por su ayuda en la toma de este curso en línea en
Developpez.com,
2011 3DArchi, Julien Plu y Antoine Dinimant por su asesoramiento técnico,
2011 Patriarch24 para la prueba de lectura de la versión francesa,
2012 La comunidad SiteDuZero para mí incitar a publicar una segunda versión de la

curso con mejoras muy necesarias,
2013 Una-mayo O'Reilly por motivarme para traducir este curso en Inglés.
20
Bibliografía
[Jangi, 1992] Jangi, R. (1992). Neuro-Fuzzy modelado: Arquitectura, Análisis y Aplica-

ción. Tesis doctoral, Universidad de California, Berkeley. [ citada en p. 18]
[Leekwijck y Kerre, 1999] Leekwijck, WV y Kerre, EE (1999). Defuzzi fi cación:

criterios y clasificacion. Fuzzy Sets y Sistemas, 108 (2): 159 - 178. [ citada en p. 14]
[Madau D., 1996] Madau D., DF (1996). En el método defuzzi fi cación valor influencia. Borroso
Sistemas, Actas de la Quinta Conferencia Internacional IEEE, 3: 1819-1824.
[Citado en p. 15]
[Zadeh, 1965] Zadeh, L. (1965). conjuntos difusos. Información y Control, 8 (3): 338-353.
[Citado en p. 5]
21

Fuzzy Logic - En.español

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Fuzzy Logic - En.español

Cargado por

Copyright:

Formatos disponibles

Introducción a la lógica difusa

MIT, Enero 2013

3 sistemas de inferencia difusos de formación 18

1.1 Representación gráfica del conjunto {1, 5, 6, 7, 10} . . . . . . . . . . . . 2

2.1 “La teoría clásica de conjuntos es un subconjunto de la teoría de conjuntos difusos” . . . . 5

3.1 Ejemplo de una red neuronal feedforward . . . . . . . . . . . . . . . . 18

quiere perder su licencia de conducir:

cerebro, tales como el grado de la verificación de una condición en la lógica difusa.

sistema de inferencia difuso cuyo objetivo específico es decidir la cantidad de

1.1 Conjunto de repaso teoría

7, 6, 9 es un conjunto de números enteros. 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 es el conjunto de números enteros entre 0 y 10. 's'

una letra mayúscula: por lo tanto, escribimos a = 6,

primera vista, pero en realidad, que a menudo utilizarlo.

Figura 1.1: Representación gráfica del conjunto {1, 5, 6, 7, 10}

un conjunto o no. Por ejemplo, el número entero 7 pertenece al conjunto 6,

7, 9. En contraste, el número entero 5 no pertenece al conjunto 6, 7, 9. Composición es

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

número entero: fórmula TODO Math

corresponde a la zona azul. Por ejemplo, si A = { 6; 7; 9} et B = { 1; 5; 6; 7; 10}, entonces UN ∪ B = { 1; 5; 6; 7;

= { 1; 5; 6; 7; 10}, entonces UN ∩ B = { 6; 7}.

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

Figura 1.4: Aquí es la representación gráfica de los conjuntos A = { 6, 7, 9} y

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

pierden precisión. Albert Einstein.

2.1 conjuntos difusos

es un subconjunto de la teoría de conjuntos difusos, como la fi gura 2.1 ilustra.

lógica clásica contador también se conoce como lógica booleana o binario.

Nota: Esta función de pertenencia es equivalente a la función de la identidad de un conjunto clásico.

• Entrada 1: calidad de servicio. Subconjuntos: pobres, buenos y excelentes.

• Entrada 2: calidad de los alimentos. Subconjuntos: horrible y deliciosa.

• Salida: cantidad de propina. Subconjuntos: bajo, medio y alto.

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

Figura 2.3: Representación gráfica de un conjunto convencional y un conjunto difuso

de los conjuntos clásicos.

Sea X un conjunto y A un subconjunto difuso de X e μ UN la función de pertenencia que lo caracteriza. μ UN( X) se

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

el grado de pertenencia de x es estrictamente positiva). En otras palabras, el apoyo es el conjunto supp ( A) = {x ∈ X

presenta en la figura 2.5 .

Figura 2.5: Una función de pertenencia con propiedades que se muestran

2.2 Las variables lingüísticas

El concepto de función de pertenencia se discutió anteriormente nos permite dE sistemas difusos fi ne en el

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

y la variable T V un finito o en fi conjunto finito de conjuntos difusos. UN variable lingüística

Figura 2.6: variable lingüística 'calidad de servicio'

Figura 2.7: variable lingüística 'calidad de la comida'

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

Figura 2.8: variable lingüística 'cantidad punta'

2.3 Los operadores difusos

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

Nombre Y Intersección: Unión OU: μ UN ∪ SEGUNDO( X) Complementar NO:

• En la lógica difusa, la ley del medio excluido se contradice: UN ∪ ¯ UN 6 = X, es decir

• En la lógica difusa, un elemento puede pertenecer a A y no A al mismo tiempo:

2.4 Razonamiento en lógica difusa

En la lógica clásica, los argumentos son de la forma:

{ Si p entonces q qp cierto, entonces

difusos debe elegir entre la amplia variedad de implicaciones borrosas

Derechos de autor © 2013 - Franck Dernoncourt < franck.dernoncourt@gmail.com >.

Nombre Valor de verdad

Mamdani min (f un( x), f segundo( X))

Figura 2.9: Ejemplo de implicación difusa

El resultado de la aplicación de una regla difusa depende, pues, de tres factores:

1. la definición de la implicación difusa elegido,

2. la definición de la función de pertenencia del conjunto difuso de la proposición se encuentra al final de