Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Franck Dernoncourt
franck.dernoncourt@gmail.com
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
4 Agradecimientos 20
Bibliografía 21
yo
Lista de Figuras
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
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
Para ejemplificar cada una de fi nición de la lógica difusa, desarrollamos lo largo de este curso de introducción de un
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.
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,
'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
7, 9. El conjunto vacío se denota ∅: es una notable ya que no contiene ningún elemento. Esto parece innecesaria a
Los conjuntos se representan a menudo en forma gráfica, por lo general mediante círculos, como la fi gura 1.1 ilustra.
El concepto de pertenencia es importante en la teoría de conjuntos: se refiere al hecho de que un elemento es parte de
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 3 de 20
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
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
Figura 1.3: intersección de dos conjuntos, que se denota UN ∩ B = {x ∈ Aetx ∈ SEGUNDO}. Por ejemplo, si A = { 6; 7; 9} y B
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 4 de 20
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
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
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
5
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 6 de 20
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.)
En nuestro ejemplo la punta, vamos a rede fi ne funciones de pertenencia para cada conjunto difuso de cada uno de nuestros tres
variables:
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
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 7 de 20
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
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.
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
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 8 de 20
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
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.
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
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 9 de 20
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 10 de 20
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.
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
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 11 de 20
/ 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:
μ UN ∪ UN(
¯
X) 6 = 1.
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
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 12 de 20
Ya se ha definido, o configurarlo manualmente. Aquí están dos de fi niciones de implicación difusa utilizados más comúnmente:
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:
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
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 13 de 20
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.
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.
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 14 de 20
Como vemos, que ahora tiene que tomar la decisión final, es decir, decidir cuánto la punta será saber que la calidad de
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.
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
El defuzzi fi cación MeOM establece la salida (decisión de la cantidad de punta) como el promedio de las abscisas de los
re E
' CISIÓN = ∫S y · dy
S dy
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
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 15 de 20
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.
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
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 16 de 20
• el Fuzzi fi cador corresponde a 'calidad de servicio' las 3 variables lingüísticas, 'calidad de los alimentos' y 'cantidad
punta',
• el defuzzi fi cador es la parte donde tiene que ser elegido el método de defuzzi catión fi,
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:
http://francky.me
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 17 de 20
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
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.
18
Introducción a la lógica fuzzy, por Franck Dernoncourt - ( Página de inicio ) ( Email ) Página 19 de 20
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:
TODO: ampliar
QUE HACER
http://francky.me
Capítulo 4
Expresiones de gratitud
2011 Alp Mestan y Romuald Perrot por su ayuda en la toma de este curso en línea en
Developpez.com,
2013 Una-mayo O'Reilly por motivarme para traducir este curso en Inglés.
20
Bibliografía
[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