DISEÑO DE UN SISTEMA BASADO EN REGLAS DIFUSAS

Un SBRD (ya sea un modelo, un controlador o un clasificador difuso), está formado por
dos componentes:
1. La Base de Conocimiento (BC), representa el conocimiento sobre el problema en
forma de reglas difusas.
Representa el conocimiento disponible sobre el problema en forma de reglas
lingüísticas. Se compone de:

 La Base de Reglas (BR), que contiene el conjunto de reglas.

 La Base de Datos (BD), que almacena las funciones de escala, los conjuntos de
términos lingüísticos y las funciones de pertenencia que definen su semántica.

2. El Sistema de Inferencia, que aplica un método de razonamiento difuso sobre las

entradas y las reglas de la BC y devuelve una salida.

Por tanto, para obtener un SBRD es necesario diseñar ambas:

- La BC se obtiene de conocimiento experto o aprendizaje automático
- El Sistema de Inferencia se obtiene eligiendo los operadores difusos para cada
componente (conjunción, implicación, defuzzificador, etc.) A veces, estos
operadores incorporan parámetros que también pueden ser estimados por
métodos automáticos.
 I. DISEÑO DE LA BC (BASE DE CONOCIMIENTOS) DE UN SBRD:
El diseño de la BC engloba dos problemas:
Aprendizaje de la BD
 Universos de discurso de las variables.
 Factores o funciones de escala.
 Número de términos lingüísticos (etiquetas) por variable.
 Funciones de pertenencia asociadas a las etiquetas.

Derivación de la BR: composición de las reglas difusas

Existen dos formas de diseñar la BC:
 A partir de información suministrada por expertos.
 A partir de métodos de aprendizaje automático en base a la información
numérica existente

II. ESTRUCTURA BASICA DE UN SISTEMA BASADO EN REGLAS DIFUSAS

III. TIPOS DE SISTEMAS BASADOS EN REGLAS DIFUSAS.

En función del tipo de regla difusa que utilice se puede distinguir:

  SBRDs tipo Mamdani:
“Si X1 es Alto y X2 es Bajo ENTONCES Y es Alto”.
 SBRDs tipo TSK (Takagi, Sugeno y Kang):

“Si X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)”

o No necesitan interfaz de defuzzificacion
o El motor de interferencia funciona de distinta forma

3.1.SBRDs tipo Mamdani

Emplea conjuntos difusos en el antecedente y en el consecuente:

Lo mas habitual es que los A1 y B sean etiquetas linguisticas, con un conjunto

difuso asociado. Por ejemplo:

SI presión_atmosferica es Baja ENTONCES probabilidad_lluvia es Alta.

Ventajas:
- Facilidad para la derivación de reglas.
- Interpretabilidad de las reglas difusas.
- Fueron propuestos antes y se han utilizado con más frecuencia.
Inconvenientes:
- No garantizan la continuidad de la superficie de salida.
- Menor eficiencia computacional.

3.2.SBRDs tipo TSK

- Emplea conjuntos difusos en el antecedente y una función polinomixa en
el consecuente:

- La intepretabilidad se reduce significativamente, pero aumenta la

capacidad de aproximación.
- Existe una variante basada en un único valor en el antecedente:
,con la misma
interpretabilidad que las de Mamdani.
- Las particiones del antecedente pueden ser de rejilla o libres (con la
perdida adicional de interpretabilidad)
- El antecedente de las reglas difusas para clasificación es el mismo que en
las anteriores, pero el consecuente pasa a ser una clase:

Ventajas:
 - Incrementan la precisión.
- Mayor eficiencia computacional.
- Facilidad para el análisis del sistema.
- Garantizan la continuidad de la superficie de salida.

Inconvenientes:
- El consecuente es una fórmula matemática y no proporciona un marco
natural para representar conocimiento humano.
- Limitan la representación de los principios de la lógica difusa.

IV. ARQUITECTURA DETALLADA

4.1.Interfaz de Fuzzificacion:
Convierte la entrada nítida a valor difuso
Para cada una de las entradas del sistema:
1. Adquirir los valores nítidos de las variables de entrada.
2. Trasladar los valores de las variables a los universo de discurso
correspondientes.
3. En función del tipo de sistema difuso:
 Convertir cada valor nítido en conjunto difuso con grado de
pertenencia igual a 1 para ese valor y 0 para el resto (fuzzy
singgletn) o
 Hacer corresponder a cada valor nítido el termino lingüístico mas
adecuado, o
 Calcular el grado de pertenencia a cada uno de los conjuntos
difusos utilizados para dicha variable lingüística

Algunas posibilidades:
- El valor nítido se convierte en un conjunto difuso tipo singleton.
Es la opción es más sencilla y la más utilizada.
Adecuado cuando la medición de las variables de estado es fiable.

- Se genera un conjunto difuso con centro el valor nítido y un

soporte acorde con la incertidumbre de la medición:
4.2.La Base de Conocimiento:
Está formada por la base de reglas y la base de datos.

Formas de obtención de la base de conocimiento:

1. A través de experiencia experta, conocimiento de ingeniería de
control o acciones de un operador de control experimentados.
 Experto capaz de describir de forma lingüística sus reglas de
decisión (factores de escala, semántica de los conjuntos
difusos, operadores implicads, etc.).
 A partir de un cuestionario realizado al experto.
 Información extradida a partir de observación de las acciones
de control de un operador.
2. Obtención basada en un modelo difuso
3. Obtención basada en aprendizaje automático (computación
evolutiva, redes neuronales, etc).

4.2.1. Base de Datos:

 Proporciona información necesaria para el funcionamiento del
modulo de funzzificacion, de defunzzificacion y de la Base de
Reglas.
 Define la semántica de cada variable lingüística.
 Pueden definir factores de escalado para extender o reducir el
universo de discurso, aso como cambiar la sensibilidad.
4.2.2. Base de Reglas:

 Representa de forma estructurada la política de control

experto.
 Se deben determinar los siguientes aspectos:
i. Que variables de estado y de control se consideran.
ii. Que estructura tendrá la regla difusa.
iii. Que conjunto de reglas (en su representación
simbólica) se utilizara.
 Posibilidades de elección de las variables:
Imitar los controladores P, PI, PD y PID:
El error: e
La sumatoria del error a lo largo del tiempo:

La variación del error:

Salidas del controlados:
La salida del sistema: u
La variación de la salida del sistema:
 Usar variables propias del proceso de las que se puede
conseguir su valor a través de una medición.
El motor de inferencia en un SBRD Mamdani
Utiliza reglas difusas para obtener la respuesta del sistema difuso ante una determinada
entrada.
Hay dos formas de realizar este proceso:
1. Inferencia basada en reglas individuales:
Aplicar la entrada a la primera regla, a la segunda y asi sucesivamente.
Posteriormente las salidas de las reglas se unen para obtener una única salida.
2. Inferencia basada en la composición:
Calcular la relación difusa que representa el significado de toda la base de reglas
para aplicar la entrada a esa relación difusa global.
Interfaz de Defuzzificacion:
Transforma el conjunto difuso de salida en un valor nítido.
Supongamos que tenemos m reglas difusas:

Si introducimos unos valores de entrada: A1*, A2*, …, An*, obtenemos como salida los
conjuntos difusos:
B(1), B(2), …, B(m)

El motor de inferencia en un SBRD tipo TSK

Reglas del tipo:
En general
 El antecedente se procesa igual que el de las reglas tipo Mamdani.
 Para una entrada especifica, el resultado de disparar una regla es un valor nítido.
 Finalmente los valores nítidos obtenidos al dispararse distintas reglas se
combinan para obtener una única salida (maximo, media aritmética ponderada,
etc.)

REFERENCIAS:
http://www.isa.cie.uva.es/estudios/doctorado/soft-computing/Barcelona1-def.pdf
https://es.slideshare.net/mentelibre/tema-4-sistemas-basados-en-reglas-difusas
https://www.youtube.com/watch?v=MWufsSAXBI8&feature=youtu.be