Documentos de Académico
Documentos de Profesional
Documentos de Cultura
51 PDF
51 PDF
e Inteligencia Artificial
TESIS DOCTORAL
DIRECTOR
FRANCISCO HERRERA TRIGUERO
El Doctorando El Director
Gracias a Todos
Índice
Introducción 7
2.5 Conclusiones 58
3.6 Conclusiones 75
Bibliografía 217
6 Índice
Introducción
Planteamiento
Objetivo
Resumen
En este Capítulo vamos a introducir las nociones básicas de los SBRDs para
modelado y control, su composición y funcionamiento, y las tareas de diseño que es
necesario llevar a cabo para obtenerlos. No se entrará a presentar los principios
básicos de la Lógica Difusa que pueden ser consultados en [KY95, Zim96].
El primer tipo de SBRD que trabajó con entradas y salidas reales fue propuesto
por Mamdani [Mam74], el cual fue capaz de plasmar las ideas preliminares de
Zadeh [Zad73] en el primer SBRD tangible para una aplicación de control. Este tipo
de Sistemas Difusos, los más utilizados desde aquella fecha, se conocen también
por el nombre de SBRDs con Fuzzificador y Defuzzificador o, como ya se ha
comentado, por el de Controladores Difusos, nombre que ya acuñó Mamdani en sus
primeros trabajos [MA75] puesto que su aplicación principal ha sido históricamente
en control de sistemas.
Las reglas son del tipo ''Si - entonces'' y en el caso en que el SBRD tipo
Mamdani tenga múltiples entradas y una única salida, presentan la siguiente
estructura:
Si X1 es A1 y ... y Xn es An entonces Y es B,
donde Xi son las variables de entrada del sistema, Y es la variable de salida y los pi
son parámetros reales. En lo que respecta a los Ai, pueden ser etiquetas
lingüísticas asociadas con conjuntos difusos en el caso en que las Xi sean variables
lingüísticas (como en los SBRDs de tipo Mamdani), o bien conjuntos difusos en el
caso en que éstas sean directamente variables difusas. Este tipo de reglas suelen
denominarse reglas difusas de tipo TSK aludiendo a sus creadores. La letra K
procede de un tercer autor, Kang, que desarrolló el modelo con los primeros [SK88].
14 Introducción a los Sistemas Basados en Reglas Difusas
La salida de un SBRD TSK que emplea una Base de Conocimiento formada por
m reglas de este tipo se obtiene como la media ponderada de las salidas
individuales aportadas por cada regla, Yi, i=1...m, del siguiente modo:
m
∑ hi ⋅Yi
i =1
m
,
∑Yi
i =1
De este modo, tal y como enuncian sus creadores en [TS85], este SBRD se basa
en dividir el espacio de entrada en varios subespacios difusos y en definir una
relación de entrada - salida lineal en cada uno de esos subespacios. En el proceso de
inferencia se combinan estas relaciones parciales en el modo comentado para
obtener la relación global de entrada - salida, teniendo así en cuenta la dominancia
de las relaciones parciales en sus respectivas áreas de aplicación y el conflicto que
se presenta en las zonas en las que existe un solapamiento.
• una Base de Conocimiento, que contiene las reglas lingüísticas que guían el
comportamiento del mismo,
La Base de Conocimiento (BC) es una de las partes esenciales del SBRD desde el
punto de vista de que los tres componentes restantes del sistema se emplean para
interpretar las reglas contenidas en ella y hacerlas manejables en problemas
concretos.
Si X1 es A1 y ... y Xn es An entonces Y es B,
Este componente es uno de los que permite al SBRD de tipo Mamdani manejar
entradas y salidas reales. Su tarea es la de establecer una aplicación que haga
corresponder un conjunto difuso, definido en el universo de discurso de la entrada
en cuestión, a cada valor preciso del espacio de entrada. Así, el Interfaz de
Fuzzificación trabaja del siguiente modo:
A’ = F ( x0 ),
x − x0
1 − si x − x 0 ≤ σ
µA’ (x) = σ .
0 , en otro caso
1, si x = x 0
µA’ (x) = .
0 , en otro caso
Diseño de Sistemas Basados en Reglas Difusas 17
Si X1 es B y X2 es G entonces ...,
Si X es A entonces Y es B
X es A’
Y es B’
donde µA (x) y µB (y) son las funciones de pertenencia de los conjuntos difusos A y B,
respectivamente, e I es un operador de implicación difuso que modela la relación
difusa existente.
B’ = A’ ° R.
De este modo, cuando la RCI se aplica sobre reglas cuyo antecedente está
formado por n variables de entrada y cuyo consecuente presenta una única variable
de salida toma la siguiente expresión:
donde µA’ (x) = T (µA’1 (x) , ... , µA’n (x)) , µA (x) = T (µA1 (x) , ... , µAn (x)), T y T’ son
operadores de conjunción difusos e I es un operador de implicación.
• Producto de Hamacher:
x•y
TH (x, y) = .
x + y - x•y
• Producto Algebraico:
TA (x,y) = x· y.
• Producto de Einstein:
x• y
TE (x, y) = .
1 + (1 - x) • (1 - y)
• Producto Drástico:
x, si y = 1
TD (x, y) = y, si x = 1 .
0, en otro caso
a\b 0 1
0 1 1
1 0 1
Tabla 1.1. Tabla de verdad de
la implicación booleana
a\b 0 1
0 0 0
1 0 1
Tabla 1.2. Tabla de verdad de
la conjunción booleana
Funciones de Implicación:
A → B = ¬A ∨ B
y son de la forma
22 Introducción a los Sistemas Basados en Reglas Difusas
I (x,y) = S ( N (a), b ),
Min(1, y/x), si x ≠ 0
I(x, y) = .
1, en otro caso
1, si y = x
I(x, y) = .
y, en otro caso
En este grupo destaca por su amplia difusión práctica la familia de las t-normas
como operadores de implicación difusos [GQ91a,Miz89]. En la Sección 1.2.3.1 se
presentó la definición de este tipo de funciones junto con las expresiones de las más
conocidas. La Figura 1.8 muestra gráficamente el conjunto inferido con la t-norma
del producto lógico (t-norma del mínimo) mientras que la Figura 1.9 pertenece a la
t-norma del producto algebraico.
24 Introducción a los Sistemas Basados en Reglas Difusas
cuando h≥ ½: cuando h≤ ½:
s = ∫ µ B' (u) du .
U
G = x ∈ X µB’ (x) = l.
W=
∫Y y• µB' (y) dy .
∫Y µ B' (y) dy
y = D (µB’ (y)).
• Máximo:
S ( x , y ) = max ( x , y ).
• Suma Acotada:
S ( x , y ) = min ( 0 , x + y - 1 ).
• Suma Algebraica:
S ( x , y ) = x + y - x ⋅ y.
y1 + y2
y0 = .
2
∫ y ⋅ µB' ( y ) dy
y0 = Y .
∫Y µB' ( y ) dy
∑ si ⋅ W i
y0 = i
.
∑ si
i
∑ li ⋅ Wi
y0 = i
.
∑ li
i
∑ hi ⋅ Wi
y0 = i .
∑ hi
i
∑ si ⋅ G i
y0 = i .
∑ si
i
∑ li ⋅ Gi
y0 = i
.
∑ li
i
∑ hi ⋅ Gi
y0 = i .
∑ hi
i
30 Introducción a los Sistemas Basados en Reglas Difusas
• Otros [HDR93,HT93,Hel93,CCCHP94]:
∑ Gi
y0 = i
.
m
o Centro de Sumas:
∑ ∫Y y ⋅ µB' i( y ) dy
y0 = i
.
∑ ∫Y µB' i( y ) dy
i
La complejidad de esta primera tarea depende del tipo de SBRD con el que se
esté trabajando. Como hemos visto en las secciones anteriores, el mecanismo de
inferencia de los SBRDs de tipo Mamdani es más complejo y necesita de la
definición de un mayor número de operadores que en el caso de los SBRDs TSK. En
32 Introducción a los Sistemas Basados en Reglas Difusas
este último caso, la única tarea de diseño que es necesario llevar a cabo es la
elección del operador de conjunción T empleado para calcular el grado de
emparejamiento de cada regla con las entradas actuales del sistema, hi. Este
operador se modela habitualmente empleando una t-norma y las elecciones más
habituales son el mínimo o el producto algebraico.
Hay cuatro modos de obtener las reglas difusas del SBRD, los cuales no
son mutuamente exclusivos [Ber93,Lee90]:
Los SBRDs adoptan diferente morfología tanto por sus principios de diseño como
por su funcionalidad. Esta sección dibuja ese espectro de posibilidades tanto desde
36 Implementación de Sistemas Basados en Reglas Difusas para Modelado y Control Difuso
el punto de vista del diseño como desde el punto de vista de los objetivos para los
que se diseña el SBRD.
• Codificar el SBRD por uno mismo. Los SBRDs realizados por este método
tendrán, en líneas generales, respuestas más lentas que los dispositivos
hardware. Sin embargo, se trata del método más flexible desde el punto de
vista del diseñador para estudiar el comportamiento de distintas opciones
de diseño del controlador.
problema a considerar son los operadores que infieren conjuntos difusos con
tramos de línea curva aún considerando funciones de pertenencia lineales a
trozos ya que se precisan mecanismos adicionales para poder incorporarlos a
las implementaciones con éste método.
• SBRDs Mono-operador: Son aquellos con un solo operador para cada tarea
del proceso de inferencia. Estos SBRDs son los utilizados convencionalmente
para aplicaciones específicas (por ejemplo, los controladores difusos
empotrados). Sus estructuras de datos están adaptadas exclusivamente
para los operadores que utilizan. Los algoritmos considerados adoptan su
forma más simple y en muchas ocasiones distintas partes del SBRD se
funden en un mismo algoritmo, por lo que puede no ser posible distinguir las
diferentes tareas claramente por partes en el código del programa.
Los valores de estos tres o cuatro puntos de definición del conjunto difuso están
definidos en el universo de discurso de la variable correspondiente. La Figura 2.2
muestra un ejemplo de la partición del universo de una variable en cinco conjuntos
difusos trapezoidales.
Figura 2.2. Partición difusa con los conjuntos difusos VS (muy pequeño),
S (pequeño), M (medio), L (grande) y VL (muy grande)
Así pues, cada conjunto difuso de cada una de las particiones difusas de las
variables debe ser descrito y almacenada para constituir la BD. La información
correspondiente a la BR consiste en un conjunto de reglas en el que cada una hace
referencia a sus correspondientes conjuntos difusos de la BD.
1, si x = x0
A’ (x) = .
0, en otro caso
Implementaciones Software de SBRDs: Algoritmos 45
El siguiente paso es obtener el conjunto difuso inferido por cada regla utilizando
el consecuente y el grado de emparejamiento asociados a cada una. El operador de
implicación elegido producirá un conjunto difuso inferido con una forma concreta
Implementaciones Software de SBRDs: Algoritmos 47
x4 = x0 + ( x1 – x0 ) ⋅ hi,
x5 = x3 – ( x3 – x2 ) ⋅ hi.
1, si y ≤ x
IGoguen (x, y) = ,
y, en otro caso
Modo A – FATI:
Figura 2.9. Agregación con máximo Figura 2.10. Agregación con mínimo
En este caso, el Método Exacto conlleva un grado de complejidad alto ya que los
operadores de agregación máximo y mínimo deben actuar con los conjuntos difusos
descritos como segmentos de línea recta. La estructura de datos para manejar el
conjunto difuso inferido es una lista de puntos, por lo que debe crearse una nueva
50 Implementación de Sistemas Basados en Reglas Difusas para Modelado y Control Difuso
y1 + y2
y0 = ,
2
donde y1 = Min {z/ µB’ (z) = Max µB’ (y)} and y2 = Max {z/ µB’ (z) = Max µB’ (y)}.
Implementaciones Software de SBRDs: Algoritmos 51
W =
∫V y ⋅ì B' (y) dy .
∫V ì B' (y) dy
Numerador ( ∫ u ⋅ µ A ( u )du ):
V
xj x 22 − x12
∫xi f ( x ) = c ⋅ ( x 2 − x1 ) + a ⋅
2
.
Implementaciones Software de SBRDs: Algoritmos 53
y2 − y1 x 2 ⋅ y1 − x1 ⋅ y2
siendo a : ,yc: .
x2 − x1 x 2 − x1
Numerador ( ∫ u ⋅ µ A ( u )du ):
V
2 2
xj 2 x 2 − x1
∫xi x ⋅ f ( x ) = y1 ⋅
2
.
xj
∫xi f ( x ) = y1 ⋅ ( x2 − x1 ) .
2
∑ yj ⋅ µB' (yj) dy
j =1..N
W = .
∑ µ B' (yj) dy
j =1..N
Modo B – FITA:
x i + x2 i
∑ hi ⋅ 1 2
y0 = i .
∑ hi
i
520 sum1=0
530 sum2=0
540 FOR i=1 TO 7
550 sum1=sum1+(H(i)*(X1(C(i))+X2(C(i)))/2)
560 sum2=sum2+H(i)
570 NEXT i
580 y=sum1/sum2
N
1
2 ∑ ( yk - S [i, j] (xk ) ) 2
ECM (S [i, j] ) = k=1
,
N
donde S[i,j] hace referencia al SBRD para el cual el Sistema de Inferencia utiliza el
operador de implicación Ii y el Interfaz de Defuzzificación utiliza el método Dj. Esta
medida considera un conjunto de datos de evaluación formado por N vectores de
datos numéricos Zk=( xk, yk ), k=1,...,N, siendo xk los valores de las variables de
entrada e yk los correspondientes valores asociados a las variables de salida.
56 Implementación de Sistemas Basados en Reglas Difusas para Modelado y Control Difuso
Las Tablas 2.2, y 2.3 muestran un resumen de los resultados de las Tablas 2.4 a
la 2.9 del Apéndice A del presente capítulo.
cuando h ≥ ½: cuando h ≤ ½:
2.5 Conclusiones
Análisis de la Integración de
Operadores de Conjunción,
Operadores de Implicación
y Métodos de Defuzzificación
Varios de estos trabajos analizan también otras de las cinco decisiones de diseño
para definir el Sistema de Inferencia, descritas en la Sección 1.3.1. En [KKS85,
CQ89, CPQ92, LT91] se estudia la definición matemática del operador de
agregación también utilizando los operadores máximo y mínimo. En los dos
primeros trabajos se componen hasta 72 distintos procesos de inferencia utilizando
estos dos operadores de agregación y 36 operadores de implicación. Gupta y Qi
[GQ91b] utilizan distintas t-normas para el mismo propósito, así como para
representar el operador de conjunción y de las reglas de control. Finalmente, en
[HDR93, HT93, Hel93, JVB92, PYL92, RG93a] se presentan y estudian una amplia
gama de métodos de defuzzificación.
Selección de Operadores de Conjunción, Operadores de Implicación y Métodos de Defuzzificación 65
Cabe destacar que estos estudios previos citados sobre defuzzificación analizan
fundamentalmente los métodos de defuzzificación que trabajan en el llamado Modo
A – FATI, no existiendo estudios previos que traten en profundidad los métodos
que operan en el Modo B – FITA, que sí serán considerados en este capítulo.
Los operadores de conjunción más ampliamente utilizados son las t-normas, que
fueron descritas en la Sección 1.2.3.1. Por tal motivo en este trabajo se van a
utilizar también las cinco t-normas clásicas: T1 (producto lógico o t-norma del
mínimo), T2 (producto de Hamacher), T3 (producto algebraico), T4 (producto de
Einstein) y T5 (producto acotado o t-norma de Lukasiewicz). En el Apéndice A del
presente capítulo pueden consultarse las expresiones de estos operadores de
conjunción.
I1 Diene
I2 Dubois-Prade
I3 Mizumoto
I4 Gödel
I5 Goguen
I6 Lukasiewicz
I7 Early-Zadeh
I8 Gaines
I10 P. Lógico (mínimo)
I11 P. Hamacher
I12 P. Algebraico
I13 P. Einstein
I14 P. Acotado (Lukasiewicz)
I15 P. Drástico
Tabla 3.1. Operadores de implicación
considerados en el presente capítulo
• y el modelado difuso del problema de los costes óptimos teóricos del tendido
eléctrico de media tensión en núcleos urbanos, que se ha llamado E2.
Cada sistema diseñado se notará por S[i,j,k] donde i hace referencia al operador
de conjunción Ti, j hace relación al operador de implicación Ij, y k se refiere al
método de defuzzificación Dk. La salida del sistema se notará por S[i,j,k] (xm), donde
xm es el vector de variables de entrada proporcionadas por el sistema a modelar.
Con objeto de definir una metodología de comparación que nos permita evaluar
el comportamiento de cada sistema, vamos a establecer varias medidas que nos
habiliten para verificar la precisión del SBRD diseñado, de modo similar a como se
realizan en [HDR93].
Para evaluar los distintos SBRDs, utilizaremos la medida del Error Cuadrático
Medio (ECM) introducida en la Sección 2.4, el cual se calcula mediante la siguiente
expresión:
N
1
2 ∑ ( ym - S [i, j, k] (xm ) ) 2
ECM (S [i, j, k ] ) = m=1
.
N
Para poder unificar el resultado de varios experimentos (en este caso tres),
utilizaremos las siguientes medidas de adaptación:
Metodología de la Comparación 69
1 Q R
MGA_C [i] = ∑∑ GA_EMC[i, j, k] .
Q ⋅ R j=1 k =1
1 P R
MGA_I [ j] = GA_EMC[i, j, k ] .
P ⋅ R ∑∑
i = 1 k =1
1 P Q
MGA_D [k ] = ∑∑ GA_EMC[i, j, k] .
P ⋅ Q i=1 j=1
Con objeto de unificar globalmente los resultados de cada una de las tres
aplicaciones se utiliza la medida del Promedio de las Medias de los Grados de
Adaptación (PMGA), que se define de la siguiente forma para el caso
correspondiente a los operadores de conjunción:
En esta sección se mostrarán diferentes tablas con los resultados de las medidas
introducidas en la Sección 3.3 obtenidas por los operadores de conjunción e
implicación y métodos de defuzzificación aplicados a los tres problemas de
modelado difuso.
Con objeto de mejorar la legibilidad del capítulo se han ubicado en esta sección
sólo las tablas de resultados globales trasladando las tablas de resultados de las
aplicaciones individuales (Tablas 3.9 a 3.38) al Apéndice B del presente capítulo.
Las Tablas 3.9 a 3.18 corresponden al modelado difuso de la superficie
tridimensional F1 , las Tablas 3.19 a 3.28 al de la superficie tridimensional F2 y las
Tablas 3.29 a 3.38 al problema eléctrico de los costes óptimos de la línea de media
tensión en núcleos urbanos, E2. En cada grupo de estos tres citados, cada par de
tablas corresponde a un operador de conjunción de los cinco utilizados, de ahí que
se obtengan diez tablas para los cinco operadores de conjunción. Por ejemplo, las
Tablas 3.9 y 3.10 contienen los GA_ECM para la aplicación F1 y el operador de
conjunción T1 con los catorce operadores de implicación seleccionados (los siete
primeros en la Tabla 3.9 y los siete siguientes en la Tabla 3.10) y diecinueve
métodos de defuzzificación. Nótese que a pie de tabla se marcan los valores
máximos y mínimos del GA_ECM para las diez tablas correspondientes de la
aplicación, lo cual permite calcular el ECM concreto de cualquier combinación. En
las tablas se ha destacado en negrita el valor máximo y en cursiva el mínimo.
La Tablas 3.4 a 3.6 presentan las Medias de los Grados de Adaptación (MGAs)
para cada tipo de operador: conjunción, implicación y método de defuzzificación,
respectivamente. Cada una de las tablas muestra también el promedio para las
tres aplicaciones, PMGA.
Finalmente las Tablas 3.7 y 3.8 muestran las medias de las medidas PMGA_I y
PMGA_D en base a las distintas familias de operadores existentes:
familias por lo que esta familia claramente es más adecuada que las demás
para las aplicaciones de modelado difuso.
3. Analizando las tablas parciales (Tablas 3.9 a 3.38) se puede observar que
existen determinadas combinaciones de operadores de implicación y
métodos de defuzzificación que presentan buen comportamiento aunque en
media ese mismo operador de implicación no obtuviese un buen valor. Es el
caso de los operadores de implicación de Gödel (I4) y Goguen (I5) en
combinación con los métodos de defuzzificación D21 (CG ponderado por el
grado de emparejamiento) y D24 (PMV ponderado por el grado de
emparejamiento), o el de Lukasiewicz (I6) con D1 (MOM con agregación
MAR) entre otros.
3.6 Conclusiones
• Producto de Hamacher:
x⋅y
T2 ( x , y ) = .
x+ y-x⋅y
• Producto Algebraico:
T3 (x,y) = x· y.
• Producto de Einstein:
x⋅y
T4 ( x , y ) = .
1 + (1 - x) ⋅ (1 - y)
I1 I2 I3 I4 I5 I6 I7
D1 0.91664 0.94270 0.95679 0.27759 0.27759 0.95820 0.91648
D2 0.25577 0.43466 0.32504 0.27632 0.27640 0.36405 0.25068
D10 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D11 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D19 0.01168 0.02096 0.01478 0.03540 0.03846 0.01785 0.01006
D20 0.01677 0.02947 0.02137 0.13709 0.13632 0.02551 0.01279
D21 0.21332 0.40597 0.27954 0.99119 0.98994 0.33632 0.17054
D22 0.10214 0.10371 0.10507 0.03554 0.03874 0.10284 0.02303
D23 0.14486 0.13470 0.14486 0.13842 0.13842 0.13842 0.03514
D24 0.99711 0.98587 0.99711 0.99363 0.99363 0.99363 0.71794
D25 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D26 0.00881 0.01041 0.00953 0.00531 0.00603 0.01014 0.00830
D27 0.30467 0.53235 0.37920 0.91957 0.92002 0.44118 0.25068
D28 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D29 0.00000 0.00705 0.00000 0.00478 0.00478 0.00478 0.00830
D30 0.90958 0.91964 0.90958 0.91648 0.91648 0.91648 0.91648
D31 0.14486 0.13470 0.14486 0.13842 0.13842 0.13842 0.04705
D32 0.81557 0.76057 0.81557 0.79428 0.79428 0.79428 0.71518
D33 0.01168 0.02096 0.01478 0.03540 0.03846 0.01785 0.01006
Tabla 3.9. GA_ECM obtenido en el modelado difuso de F1 con el
operador de conjunción T1 para los operadores de implicación I1 a I7.
El ECM máximo es 93.10390 y el mínimo ECM es 1.99270.
I1 I2 I3 I4 I5 I6 I7
D1 0.91599 0.94297 0.96001 0.27751 0.27751 0.95970 0.68535
D2 0.19278 0.36571 0.26203 0.27660 0.27640 0.30451 0.16349
D10 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D11 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D19 0.01091 0.01921 0.01388 0.03639 0.03931 0.01681 0.00943
D20 0.01434 0.02545 0.01858 0.13690 0.13613 0.02240 0.01107
D21 0.16567 0.34738 0.23164 0.99227 0.99092 0.28837 0.12167
D22 0.10784 0.10800 0.11062 0.03651 0.03956 0.10769 0.01966
D23 0.14486 0.13470 0.14486 0.13792 0.13792 0.13792 0.02741
D24 0.99820 0.98728 0.99820 0.99411 0.99411 0.99411 0.57620
D25 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D26 0.00863 0.00999 0.00926 0.00553 0.00619 0.00980 0.00830
D27 0.22919 0.45035 0.30759 0.91968 0.92016 0.37294 0.16349
D28 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D29 0.00000 0.00705 0.00000 0.00517 0.00517 0.00517 0.00830
D30 0.90958 0.91964 0.90958 0.91770 0.91770 0.91770 0.68535
D31 0.14486 0.13470 0.14486 0.13792 0.13792 0.13792 0.03696
D32 0.81557 0.76057 0.81557 0.79044 0.79044 0.79044 0.53240
D33 0.01091 0.01921 0.01388 0.03639 0.03931 0.01681 0.00943
Tabla 3.11. GA_ECM obtenido en el modelado difuso de F1 con el
operador de conjunción T2 para los operadores de implicación I1 a I7.
El ECM máximo es 93.10390 y el mínimo es 1.99270.
I1 I2 I3 I4 I5 I6 I7
D1 0.91524 0.94297 0.95982 0.27760 0.27760 0.95974 0.58457
D2 0.18212 0.35585 0.24986 0.27688 0.27650 0.29557 0.14802
D10 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D11 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D19 0.01051 0.01771 0.01311 0.03748 0.04003 0.01567 0.00931
D20 0.01354 0.02312 0.01721 0.13664 0.13595 0.02052 0.01081
D21 0.15874 0.33389 0.22285 0.99484 0.99363 0.27803 0.11677
D22 0.11281 0.11158 0.11522 0.03758 0.04025 0.11139 0.01796
D23 0.14486 0.13470 0.14486 0.13752 0.13752 0.13752 0.02482
D24 1.00000 0.99042 1.00000 0.99619 0.99619 0.99619 0.52724
D25 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D26 0.00848 0.00954 0.00900 0.00581 0.00638 0.00943 0.00830
D27 0.20958 0.42190 0.28644 0.91976 0.92022 0.35078 0.14802
D28 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D29 0.00000 0.00705 0.00000 0.00561 0.00561 0.00561 0.00830
D30 0.90958 0.91964 0.90958 0.91812 0.91812 0.91812 0.58457
D31 0.14486 0.13470 0.14486 0.13752 0.13752 0.13752 0.03296
D32 0.81557 0.76057 0.81557 0.78826 0.78826 0.78826 0.45773
D33 0.01051 0.01771 0.01311 0.03748 0.04003 0.01567 0.00931
Tabla 3.13. GA_ECM obtenido en el modelado difuso de F1 con el
operador de conjunción T3 para los operadores de implicación I1 a I7.
El ECM máximo es 93.10390 y el mínimo es 1.99270.
I1 I2 I3 I4 I5 I6 I7
D1 0.91470 0.94297 0.95944 0.27757 0.27757 0.95974 0.49716
D2 0.17266 0.34265 0.23889 0.27694 0.27650 0.28514 0.13765
D10 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D11 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D19 0.01027 0.01684 0.01266 0.03811 0.04045 0.01501 0.00923
D20 0.01304 0.02174 0.01638 0.13649 0.13585 0.01941 0.01063
D21 0.15118 0.32028 0.21357 0.99475 0.99362 0.26733 0.11120
D22 0.11571 0.11368 0.11793 0.03820 0.04065 0.11356 0.01617
D23 0.14486 0.13470 0.14486 0.13728 0.13728 0.13728 0.02248
D24 0.99953 0.99065 0.99953 0.99589 0.99589 0.99589 0.46014
D25 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D26 0.00842 0.00928 0.00884 0.00601 0.00650 0.00921 0.00830
D27 0.19502 0.39961 0.27017 0.91983 0.92026 0.33328 0.13765
D28 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D29 0.00000 0.00705 0.00000 0.00589 0.00589 0.00589 0.00830
D30 0.90958 0.91964 0.90958 0.91844 0.91844 0.91844 0.49716
D31 0.14486 0.13470 0.14486 0.13728 0.13728 0.13728 0.02902
D32 0.81557 0.76057 0.81557 0.78665 0.78665 0.78665 0.38711
D33 0.01027 0.01684 0.01266 0.03811 0.04045 0.01501 0.00923
Tabla 3.15. A_ECM obtenido en el modelado difuso de F1 con el
operador de conjunción T4 para los operadores de implicación I1 a I7.
El ECM máximo es 93.10390 y el mínimo es 1.99270.
I1 I2 I3 I4 I5 I6 I7
D1 0.91262 0.94270 0.94809 0.91401 0.91401 0.95820 0.49638
D2 0.16951 0.34295 0.23480 0.90716 0.90735 0.28553 0.13253
D10 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D11 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D19 0.00993 0.01443 0.01144 0.02260 0.02406 0.01292 0.00918
D20 0.01250 0.01875 0.01475 0.07832 0.07789 0.01678 0.01054
D21 0.15752 0.32858 0.22075 0.97156 0.97109 0.27489 0.11606
D22 0.06032 0.06064 0.06182 0.02267 0.02421 0.06025 0.01616
D23 0.08285 0.07702 0.08285 0.07902 0.07902 0.07902 0.02218
D24 0.96905 0.96905 0.96905 0.97194 0.97194 0.97194 0.47596
D25 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D26 0.00830 0.00834 0.00832 0.00700 0.00703 0.00834 0.00830
D27 0.18223 0.37163 0.25211 0.91996 0.92032 0.31108 0.13253
D28 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830 0.00830
D29 0.00000 0.00705 0.00000 0.00700 0.00700 0.00700 0.00830
D30 0.90958 0.91964 0.90958 0.91880 0.91880 0.91880 0.49638
D31 0.08285 0.07702 0.08285 0.07902 0.07902 0.07902 0.02881
D32 0.81321 0.76270 0.81321 0.78532 0.78532 0.78532 0.38429
D33 0.00993 0.01443 0.01144 0.02260 0.02406 0.01292 0.00918
Tabla 3.17. GA_ECM obtenido en el modelado difuso de F1 con el
operador de conjunción T5 para los operadores de implicación I1 a I7.
El ECM máximo es 93.10390 y el mínimo1.99270.
I1 I2 I3 I4 I5 I6 I7
D1 0.94120 0.95046 0.95783 0.69710 0.69710 0.95934 0.94252
D2 0.33732 0.49625 0.38898 0.69512 0.69512 0.42753 0.31987
D10 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D11 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D19 0.12890 0.13552 0.13115 0.14962 0.15180 0.13338 0.12775
D20 0.13320 0.14239 0.13654 0.24341 0.24239 0.13960 0.13035
D21 0.29972 0.44511 0.34910 0.99256 0.99088 0.39272 0.26545
D22 0.21522 0.21301 0.21741 0.14981 0.15217 0.21369 0.13903
D23 0.25277 0.24028 0.25277 0.24510 0.24510 0.24510 0.14930
D24 0.99960 0.98521 0.99960 0.99612 0.99612 0.99612 0.76032
D25 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D26 0.12638 0.12588 0.12619 0.03394 0.03553 0.12600 0.12645
D27 0.36183 0.53391 0.41644 0.94508 0.94558 0.46427 0.31987
D28 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D29 0.00000 0.03777 0.00000 0.03289 0.03289 0.03289 0.12645
D30 0.93314 0.94433 0.93314 0.94252 0.94252 0.94252 0.94252
D31 0.25277 0.24028 0.25277 0.24510 0.24510 0.24510 0.15971
D32 0.80661 0.74353 0.80661 0.78689 0.78689 0.78689 0.74212
D33 0.12890 0.13552 0.13115 0.14962 0.15180 0.13338 0.12775
Tabla 3.19. GA_ECM obtenido en el modelado difuso de F2 con el
operador de conjunción T1 para los operadores de implicación I1 a I7.
El ECM máximo es 6.24770 y el mínimo es 0.04200.
I1 I2 I3 I4 I5 I6 I7
D1 0.94072 0.95046 0.95773 0.69713 0.69713 0.95902 0.73689
D2 0.29218 0.44300 0.34441 0.69551 0.69504 0.38455 0.26258
D10 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D11 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D19 0.12848 0.13454 0.13064 0.15018 0.15226 0.13278 0.12738
D20 0.13164 0.13992 0.13478 0.24321 0.24220 0.13765 0.12914
D21 0.26674 0.40566 0.31640 0.99289 0.99107 0.36010 0.23126
D22 0.21917 0.21596 0.22126 0.15033 0.15260 0.21688 0.13602
D23 0.25277 0.24028 0.25277 0.24460 0.24460 0.24460 0.14327
D24 1.00000 0.98577 1.00000 0.99592 0.99592 0.99592 0.63392
D25 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D26 0.12643 0.12616 0.12630 0.03469 0.03610 0.12619 0.12645
D27 0.31176 0.47856 0.36882 0.94515 0.94558 0.41845 0.26258
D28 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D29 0.00000 0.03777 0.00000 0.03426 0.03426 0.03426 0.12645
D30 0.93314 0.94433 0.93314 0.94329 0.94329 0.94329 0.73689
D31 0.25277 0.24028 0.25277 0.24460 0.24460 0.24460 0.15134
D32 0.80661 0.74353 0.80661 0.78357 0.78357 0.78357 0.58719
D33 0.12848 0.13454 0.13064 0.15018 0.15226 0.13278 0.12738
Tabla 3.21. GA_ECM obtenido en el modelado difuso de F2 con el
operador de conjunción T2 para los operadores de implicación I1 a I7.
El ECM máximo es 6.24770 y el mínimo es 0.04200.
I1 I2 I3 I4 I5 I6 I7
D1 0.93989 0.95046 0.95718 0.69717 0.69717 0.95899 0.67477
D2 0.28314 0.42980 0.33455 0.69578 0.69512 0.37540 0.25122
D10 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D11 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D19 0.12822 0.13351 0.13011 0.15094 0.15275 0.13198 0.12729
D20 0.13111 0.13832 0.13384 0.24292 0.24199 0.13633 0.12895
D21 0.26263 0.39844 0.31160 0.99299 0.99135 0.35466 0.22787
D22 0.22318 0.21886 0.22500 0.15107 0.15305 0.21972 0.13502
D23 0.25277 0.24028 0.25277 0.24413 0.24413 0.24413 0.14153
D24 0.99844 0.98666 0.99844 0.99531 0.99531 0.99531 0.60851
D25 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D26 0.12645 0.12632 0.12638 0.03582 0.03674 0.12632 0.12645
D27 0.29835 0.45911 0.35461 0.94521 0.94560 0.40352 0.25122
D28 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D29 0.00000 0.03777 0.00000 0.03564 0.03564 0.03564 0.12645
D30 0.93314 0.94433 0.93314 0.94363 0.94363 0.94363 0.67477
D31 0.25277 0.24028 0.25277 0.24413 0.24413 0.24413 0.14881
D32 0.80661 0.74353 0.80661 0.78207 0.78207 0.78207 0.54029
D33 0.12822 0.13351 0.13011 0.15094 0.15275 0.13198 0.12729
Tabla 3.23. GA_ECM obtenido en el modelado difuso de F2 con el
operador de conjunción T3 para los operadores de implicación I1 a I7.
El ECM máximo es 6.24770 y el mínimo es 0.04200.
I1 I2 I3 I4 I5 I6 I7
D1 0.93938 0.95046 0.95683 0.69707 0.69707 0.95891 0.64903
D2 0.27505 0.41744 0.32567 0.69584 0.69509 0.36644 0.24236
D10 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D11 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D19 0.12808 0.13294 0.12982 0.15134 0.15302 0.13152 0.12722
D20 0.13075 0.13737 0.13326 0.24276 0.24187 0.13555 0.12880
D21 0.25702 0.38917 0.30517 0.99222 0.99065 0.34747 0.22315
D22 0.22549 0.22052 0.22718 0.15147 0.15329 0.22138 0.13473
D23 0.25277 0.24028 0.25277 0.24386 0.24386 0.24386 0.14066
D24 0.99691 0.98629 0.99691 0.99423 0.99423 0.99423 0.59505
D25 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D26 0.12645 0.12637 0.12642 0.03632 0.03701 0.12637 0.12645
D27 0.28785 0.44319 0.34315 0.94528 0.94561 0.39125 0.24236
D28 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D29 0.00000 0.03777 0.00000 0.03622 0.03622 0.03622 0.12645
D30 0.93314 0.94433 0.93314 0.94389 0.94389 0.94389 0.64903
D31 0.25277 0.24028 0.25277 0.24386 0.24386 0.24386 0.14774
D32 0.80661 0.74353 0.80661 0.78057 0.78057 0.78057 0.52059
D33 0.12808 0.13294 0.12982 0.15134 0.15302 0.13152 0.12722
Tabla 3.25. GA_ECM obtenido en el modelado difuso de F2 con el
operador de conjunción T4 para los operadores de implicación I1 a I7.
El ECM máximo es 6.24770 y el mínimo es 0.04200.
I1 I2 I3 I4 I5 I6 I7
D1 0.93780 0.95169 0.95377 0.87059 0.87059 0.95870 0.56205
D2 0.27123 0.41185 0.32087 0.86836 0.86759 0.36309 0.23806
D10 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D11 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D19 0.12785 0.13149 0.12907 0.13724 0.13839 0.13027 0.12719
D20 0.13038 0.13550 0.13223 0.18986 0.18916 0.13393 0.12874
D21 0.26208 0.39722 0.31142 0.97636 0.97546 0.35464 0.22702
D22 0.17292 0.17118 0.17419 0.13734 0.13861 0.17165 0.13320
D23 0.19585 0.18786 0.19585 0.19084 0.19084 0.19084 0.13882
D24 0.97389 0.97220 0.97389 0.97736 0.97736 0.97736 0.54811
D25 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D26 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D27 0.27936 0.42672 0.33237 0.94539 0.94565 0.37856 0.23806
D28 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D29 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645 0.12645
D30 0.93314 0.94433 0.93314 0.94421 0.94421 0.94421 0.56205
D31 0.19585 0.18786 0.19585 0.19084 0.19084 0.19084 0.14453
D32 0.81567 0.76074 0.81567 0.78935 0.78935 0.78935 0.45914
D33 0.12785 0.13149 0.12907 0.13724 0.13839 0.13027 0.12719
Tabla 3.27. GA_ECM obtenido en el modelado difuso de F2 con el
operador de conjunción T5 para los operadores de implicación I1 a I7.
El ECM máximo es 6.24770 y el mínimo es 0.04200.
I1 I2 I3 I4 I5 I6 I7
D1 0.96377 0.96770 0.99916 0.97616 0.97616 1.00000 0.92839
D2 0.39240 0.61133 0.45959 0.96146 0.96346 0.51912 0.36614
D10 0.03520 0.00000 0.22240 0.00000 0.00000 0.00000 0.00000
D11 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D19 0.00418 0.01912 0.01018 0.09675 0.10206 0.01592 0.00179
D20 0.01033 0.02755 0.01771 0.25472 0.25248 0.02426 0.00569
D21 0.25482 0.40181 0.30825 0.97430 0.97124 0.35580 0.22113
D22 0.24116 0.22184 0.24596 0.09736 0.10336 0.22515 0.01012
D23 0.28616 0.24826 0.28616 0.25801 0.25801 0.25801 0.02260
D24 0.99656 0.95543 0.99656 0.98790 0.98790 0.98790 0.62845
D25 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D26 0.34164 0.47370 0.38312 0.84532 0.84575 0.42249 0.00928
D27 0.42226 0.61725 0.48695 0.97451 0.97399 0.54390 0.36614
D28 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D29 0.81520 0.83305 0.81520 0.84699 0.84699 0.84699 0.00950
D30 0.96085 0.95942 0.96085 0.97567 0.97567 0.97567 0.92839
D31 0.28616 0.24826 0.28616 0.25801 0.25801 0.25801 0.02990
D32 0.82897 0.70003 0.82897 0.79665 0.79665 0.79665 0.72943
D33 0.00418 0.01912 0.01018 0.09675 0.10206 0.01592 0.00179
Tabla 3.29. GA_ECM obtenido en el modelado difuso de E2 con el
operador de conjunción T1 para los operadores de implicación I1 a I7.
El ECM máximo es 4447753.6359 y el mínimo es 65874.1835.
I1 I2 I3 I4 I5 I6 I7
D1 0.96124 0.96612 0.99814 0.97421 0.97421 0.99654 0.59678
D2 0.22599 0.42718 0.29648 0.96358 0.96150 0.36443 0.17113
D10 0.03979 0.00000 0.28638 0.00000 0.00000 0.00000 0.00000
D11 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D19 0.00219 0.01279 0.00681 0.10089 0.10485 0.01118 0.00084
D20 0.00508 0.01724 0.01057 0.25344 0.25145 0.01548 0.00252
D21 0.16231 0.29713 0.21475 0.97520 0.97122 0.26134 0.12982
D22 0.25445 0.22973 0.25806 0.10127 0.10583 0.23324 0.00666
D23 0.28616 0.24826 0.28616 0.25544 0.25544 0.25544 0.01289
D24 0.99680 0.95731 0.99680 0.98512 0.98512 0.98512 0.48085
D25 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D26 0.20868 0.34690 0.25881 0.84667 0.84552 0.30378 0.00928
D27 0.23861 0.43549 0.31460 0.97536 0.97364 0.37996 0.17113
D28 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D29 0.81520 0.83305 0.81520 0.85123 0.85123 0.85123 0.00950
D30 0.96063 0.95993 0.96063 0.97994 0.97994 0.97994 0.59678
D31 0.28616 0.24826 0.28616 0.25544 0.25544 0.25544 0.01831
D32 0.82897 0.70003 0.82897 0.77794 0.77794 0.77794 0.45366
D33 0.00219 0.01279 0.00681 0.10089 0.10485 0.01118 0.00084
Tabla 3.31. GA_ECM obtenido en el modelado difuso de E2 con el
operador de conjunción T2 para los operadores de implicación I1 a I7.
El ECM máximo es 4447753.6359 y el mínimo es 65874.1835.
I1 I2 I3 I4 I5 I6 I7
D1 0.95773 0.96645 0.99626 0.97378 0.97378 0.99611 0.47749
D2 0.19847 0.37198 0.26327 0.96502 0.96158 0.32365 0.14893
D10 0.00000 0.00000 0.14310 0.00000 0.00000 0.00000 0.00000
D11 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D19 0.00139 0.00685 0.00369 0.10546 0.10740 0.00587 0.00072
D20 0.00379 0.01026 0.00661 0.25160 0.25038 0.00915 0.00223
D21 0.16474 0.29595 0.21536 0.98362 0.98001 0.26043 0.13009
D22 0.23378 0.20449 0.23569 0.10574 0.10804 0.20669 0.00501
D23 0.25395 0.21655 0.25395 0.25315 0.25315 0.22155 0.01037
D24 0.99457 0.96649 0.99457 0.99166 0.99166 0.99161 0.44980
D25 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D26 0.18492 0.30856 0.23025 0.84748 0.84551 0.27080 0.00928
D27 0.20286 0.37677 0.27143 0.97493 0.97269 0.33096 0.14893
D28 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D29 0.81520 0.83305 0.81520 0.85250 0.85250 0.85250 0.00950
D30 0.96085 0.95942 0.96085 0.98001 0.98001 0.98001 0.47749
D31 0.25395 0.21655 0.25395 0.25315 0.25315 0.22155 0.01443
D32 0.82931 0.70036 0.82931 0.76948 0.76948 0.76982 0.35933
D33 0.00139 0.00685 0.00369 0.10546 0.10740 0.00587 0.00072
Tabla 3.33. GA_ECM obtenido en el modelado difuso de E2 con el
operador de conjunción T3 para los operadores de implicación I1 a I7.
El ECM máximo es 4447753.6359 y el mínimo es 65874.1835.
I1 I2 I3 I4 I5 I6 I7
D1 0.95601 0.96648 0.99370 0.97245 0.97245 0.99464 0.42421
D2 0.17743 0.33159 0.23671 0.96461 0.96074 0.29084 0.13374
D10 0.00000 0.00000 0.04512 0.00000 0.00000 0.00000 0.00000
D11 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D19 0.00113 0.00507 0.00275 0.10679 0.10814 0.00428 0.00063
D20 0.00328 0.00802 0.00530 0.25090 0.24997 0.00713 0.00204
D21 0.15366 0.27599 0.20113 0.98410 0.98060 0.24335 0.12052
D22 0.21776 0.18760 0.21919 0.10703 0.10867 0.18931 0.00439
D23 0.23414 0.19749 0.23414 0.25225 0.25225 0.20164 0.00917
D24 0.99254 0.96764 0.99254 0.99140 0.99140 0.99129 0.40851
D25 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D26 0.16778 0.28211 0.21028 0.84738 0.84511 0.24814 0.00928
D27 0.17963 0.33468 0.24137 0.97472 0.97217 0.29523 0.13374
D28 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D29 0.81520 0.83305 0.81520 0.85250 0.85250 0.85250 0.00950
D30 0.96085 0.95942 0.96085 0.97991 0.97991 0.97991 0.42421
D31 0.23414 0.19749 0.23414 0.25225 0.25225 0.20164 0.01272
D32 0.82931 0.70036 0.82931 0.76326 0.76326 0.76359 0.31756
D33 0.00113 0.00507 0.00275 0.10679 0.10814 0.00428 0.00063
Tabla 3.35. GA_ECM obtenido en el modelado difuso de E2 con el
operador de conjunción T4 para los operadores de implicación I1 a I7.
El ECM máximo es 4447753.6359 y el mínimo es 65874.1835.
I1 I2 I3 I4 I5 I6 I7
D1 0.74727 0.73965 0.74751 0.75912 0.75912 0.75912 0.38313
D2 0.16306 0.28001 0.20746 0.75377 0.75137 0.24665 0.12799
D10 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D11 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D19 0.00091 0.00255 0.00142 0.00488 0.00534 0.00193 0.00060
D20 0.00294 0.00519 0.00373 0.02394 0.02350 0.00447 0.00197
D21 0.06747 0.18367 0.11165 0.65987 0.65737 0.15065 0.03250
D22 0.01717 0.01525 0.01780 0.00507 0.00565 0.01591 0.00385
D23 0.02863 0.02232 0.02863 0.02525 0.02525 0.02525 0.00838
D24 0.65369 0.64554 0.65369 0.66526 0.66526 0.66526 0.28913
D25 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D26 0.15708 0.25539 0.19269 0.61616 0.61397 0.22473 0.00928
D27 0.16323 0.28001 0.20762 0.75383 0.75135 0.24676 0.12799
D28 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000 0.00000
D29 0.61119 0.60265 0.61119 0.62128 0.62128 0.62128 0.00950
D30 0.74715 0.73956 0.74715 0.75898 0.75898 0.75898 0.38313
D31 0.02863 0.02232 0.02863 0.02525 0.02525 0.02525 0.01147
D32 0.61505 0.51559 0.61505 0.56945 0.56945 0.56945 0.28640
D33 0.00091 0.00255 0.00142 0.00488 0.00534 0.00193 0.00060
Tabla 3.37. GA_ECM obtenido en el modelado difuso de E2 con el
operador de conjunción T5 para los operadores de implicación I1 a I7.
El ECM máximo es 4447753.6359 y el mínimo es 65874.1835.
b) los buenos resultados medios con los tres problemas de modelado difuso y
con la mayoría de los métodos de defuzzificación de los operadores de
implicación de la familia de las t-normas,
Estas conclusiones plantean dos líneas de análisis que son las desarrolladas en
este capítulo:
Como punto de partida disponemos del hecho de que las t-normas son los
operadores de implicación que mejor comportamiento mostraron en el Capítulo 3.
Por otra parte las t-normas pertenecen a los operadores de implicación que
extienden la conjunción booleana. Por tanto, cabe preguntarse:
I (x,y) = T (x , E (x,y)),
1
Se ha preferido mantener el nombre en inglés “force-implication” ya que su traducción al castellano
como “implicación fuerte” podría inducir confusión con la traducción de “strong implication function”
como “funciones de implicación fuertes”.
96 Análisis de la Robustez de los Operadores de Implicación: Propiedades Básicas y Caracterización...
1, si x = y
EGödel ( x , y ) = ,
Min( x , y ), en otro caso
1, si x ≤ y
construido con I'Gödel (x, y) = .
y, en otro caso
1, si y ≤ x
construido con I' Goguen(x, y) = .
y, en otro caso
I (x,y) = T (x , 1 - d (x ,y)),
• Los que extienden la conjunción booleana, dentro de los cuales las t-normas
son los operadores más conocidos. La Sección 1.2.3.2 trata sobre esta familia
de operadores. Emplearemos las seis t-normas que hemos utilizado en el
capítulo anterior (I10 (p. lógico), I11 (p. Hamacher), I12 (p. algebraico), I13 (p.
Estudio de las Propiedades Básicas para la Robustez 101
En cuanto a los métodos de defuzzificación, para cada uno de los dos posibles
modos de actuar presentados en la Sección 1.2.4, se han seleccionado los siguientes:
En las Tablas 4.19, 4.20 y 4.21, situadas en el Apéndice A del presente capítulo,
se pueden observar los GA_ECM de los SBRDs obtenidos con cada uno de los
problemas de modelado difuso. En ellas se han destacado en negrita los valores
máximos y en cursiva los mínimos. La Tabla 4.2 muestra los valores de la MGA_I
para cada aplicación y los valores del PMGA_I. La Tabla 4.3 contiene el valor del
GA_ECM con el mejor método de defuzzificación para todos los operadores de
implicación en cada uno de los tres problemas de modelado difuso.
La Tabla 4.4 presenta una media aritmética de los PMGA_I para las distintas
familias o clases de operadores de implicación (datos mostrados en la Tabla 4.2) de
acuerdo con la clasificación planteada en la Sección 4.1.3.1. Finalmente la Tabla
4.5 muestra el valor de la media aritmética de los GA_ECM para todos los
operadores de implicación con el mejor método de defuzzificación y en diferentes
aplicaciones (resultados obtenidos a partir de los datos mostrados en la Tabla 4.3),
de acuerdo con las familias de operadores.
“el buen comportamiento mostrado por muchos de los operadores que extienden la
conjunción booleana en comparación con las funciones de implicación no es
debido sólo a esta característica”
E ( h , 0 ) = T’ ( I’ ( h , 0 ) , I’ ( 0 , h ) ) = T’ ( I’ ( h , 0 ) , 1 ) = I’ ( h , 0 ),
• Por otro lado, estudiando los operadores force-implication I23, I24, I25, I26, I29,
e I32 se encuentra que I ( h , 1 ) = 0 , ∀ h ≤ ½ , (e incluso I ( h , y ) = 0, ∀ h ≤
½ en muchos casos). Esta característica provoca mal comportamiento en el
sentido de robustez. Las reglas con un grado de emparejamiento menor o
igual a ½ son ignoradas o mal defuzzificadas.
a) I ( h , 0 ) = 0 , ∀ h ∈ [ 0 , 1 ],
b) I ( h , 1 ) > 0 , ∀ h ∈ ( 0 , 1 ].
Por otro lado, tenemos que las condiciones que caracterizan a las
generalizaciones de la conjunción booleana son:
1. I ( 1 , 0 ) = 0,
2. I ( 1 , 1 ) = 1,
3. I ( 0 , 1 ) = 0, y
4. I ( 0 , 0 ) = 0.
I ( h , 1 ) > 0, ∀ h ∈ ( 0 , 1 ) e I ( 1 , 1 ) = 1.
1 , si x = 0 e y ∈ (0,1)
I (x, y) = 2 .
Min(x, y), en otro caso
I ( 0 , y ) = 0, ∀ y ∈ [ 0 , 1 ].
Así pues, se considera ésta como la tercera propiedad necesaria. Por tanto, las
tres propiedades que se considerarían básicas para conseguir operadores de
implicación robustos son:
a) I ( h , 0 ) = 0, ∀ h ∈ [ 0 , 1 ],
b) I ( h , 1 ) > 0, ∀ h ∈ ( 0 , 1 ) e I ( 1 , 1 ) = 1,
c) I ( 0 , y ) = 0, ∀ y ∈ [ 0 , 1 ].
• Mendel considera que las t-normas del mínimo (el primer operador de
implicación utilizado por Mamdani [Mam74]) y producto algebraico
(empleado en [Lar80]) son implicaciones de la ingeniería [Men95]. Estos
operadores efectivamente cumplen las tres propiedades básicas. Mendel
también añade que los operadores que cumplen la propiedad I ( h ,0 ) > 0
(soporte ilimitado) carecen de coherencia y violan el sentido común de la
ingeniería.
Por otro lado, a2) se encuentra más próxima al significado de la propiedad c) que
se refiere al hecho de no inferir conjuntos difusos no nulos cuando el grado de
emparejamiento entre las entradas y los antecedentes de la regla es 0.
Dado que a1) ∪ a2) = a) y que c) ⇒ a2), se tiene que a1) ∪ c) ⇒ a) ∪ c). Por esta
razón, se consideran las tres propiedades independientes a1), b) y c) para realizar
el estudio. La Tabla 4.6 muestra las posibles combinaciones de clases de operadores
de implicación que podrían darse en base a la verificación de las tres propiedades
comentadas.
No verifica
Propiedades ∅ b) b),c) c) a1),c) a1) a1),b) a1),b),c)
Clase 1 2 3 4 5 6 7 8
Tabla 4.6. Posibles combinaciones de clases de operadores de implicación
• Modo B – FITA.
En esta situación, el Modo A – FATI sólo funcionará bien para los casos
similares al de la Figura 4.6. En cambio, en el caso de la Figura 4.5 no lo hará
porque se agregan superficies muy irregulares. Por tanto no disponemos de
suficiente información para predecir el comportamiento cuando se utilice el Modo A
- FATI.
2
Con “MOM / PMV” nos referimos a cualquiera de ellos, es decir, MOM en Modo A y
PMV en Modo B.
Caracterización de los Operadores de Implicación en base a las Propiedades Básicas y a los Métodos... 115
El Modo A – FATI podría trabajar tanto agregando con una t-norma (MAR)
como con una t-conorma (FLR) cuando se defuzzifique con el MOM (el CG no es
apropiado por el soporte ilimitado). En este caso, y al contrario que en la clase
anterior, puede utilizarse la agregación con t-conorma (FLR) porque se verifica la
propiedad c) y por tanto no se inferirán conjuntos difusos procedentes de reglas con
grado de emparejamiento igual a 0, de modo que no es necesario anular ese efecto
agregando con una t-norma.
3− 5 3− 5
Si h ≥ Si ≥h
2 2
Figura 4.11. I36 (Apéndice I)
La Tabla 4.7 agrupa los resultados para todas las clases estudiados a lo largo de
toda esta sección, de acuerdo con la siguiente simbología:
X: funciona bien,
⊗: podría funcionar,
- : no funciona,
♦: no se dispone de suficiente información para tomar una decisión.
Caracterización de los Operadores de Implicación en base a las Propiedades Básicas y a los Métodos... 119
3. El Modo B – FITA es más general que el Modo A – FATI para el diseño del
Interfaz de Defuzzificación.
Por definición, las t-normas verifican las tres propiedades básicas. Por un lado,
a) se satisface debido a la verificación de las propiedades (3) y (5) mientras que c) se
satisface por (5) y finalmente b) lo hace por (1).
De modo que podemos concluir que por su propia definición las t-normas son
operadores de implicación robustos y que son válidos para ser usados en cualquier
aplicación y en combinación con un amplio grupo de métodos de defuzzificación
compuesto por:
Resultado 1 (T-normas).
La Tabla 4.8 muestra la proximidad entre los valores medios (PMGA) y los
valores máximos (GA_EM) de los grados de adaptación con el mejor método de
defuzzificación (Modo B – D24, Punto de Máximo Valor ponderado por el grado de
emparejamiento). Esto es una consecuencia del buen comportamiento general de la
familia de las t-normas.
Los operadores force-implication que verifican las tres propiedades básicas son
operadores robustos. Así pues, pueden utilizarse con un amplio grupo de métodos
de defuzzificación del mismo modo que los operadores de implicación t-norma.
Con los resultados obtenidos en la Sección 4.2.3.1, los operadores que verifican
las propiedades a) y c) pero no b) trabajarán bien con métodos de defuzzificación
que operen en Modo B – FITA y especialmente con aquellos que utilicen el grado de
emparejamiento como valor de importancia.
La Tabla 4.11 muestra dos operadores de este tipo. La gran diferencia entre los
valores del PMGA y del GA_ECM resaltan la importancia de la elección del método
de defuzzificación. Los mejores resultados de GA_ECM para la Tabla 4.11 se
obtienen con el método de defuzzificación D24 (PMV ponderado por el grado de
emparejamiento).
• Los del Modo A – FATI que utilizan el MOM en ambos casos : MAR y FLR.
En la Tabla 4.12, se puede observar la gran disparidad entre los valores medios
PMGA y los valores obtenidos en combinación con el mejor método de
defuzzificación GA_ECM. De un modo acentuado, los métodos de defuzzificación
D10 (MOM de los conjuntos difusos individuales agregados con el máximo como
conectivo también) y D30 (PMV del conjunto difuso con mayor grado de
emparejamiento) muestran muy claramente un buen comportamiento.
En la Tabla 4.13, podemos ver la gran diferencia que existe entre el grado medio,
PMGA, y el grado de adaptación obtenido con el mejor método de defuzzificación,
D24 (Punto de Máximo Valor ponderado por el grado de emparejamiento).
• Aquellos que trabajan en Modo A – FATI agregando con una t-norma (MAR)
y defuzzificando con el MOM.
Resultado 6 (S-Implicaciones).
2 Son consideradas t-normas positivas aquellas que verifican T(x,y)=0 ⇒ x=0 ó y=0 esto es,
el homomorfismo de la t-norma del producto, la t-norma del mínimo y aquellas construidas
como suma ordinal de una colección contable de homomorfismos de la t-norma del producto.
Caracterización de los Operadores de Implicación en base a las Propiedades Básicas y a los Métodos... 127
Resultado 7 (R-Implicaciones).
• Podría trabajar con el Modo A – FATI agregando con una t-norma (MAR) y
defuzzificando con el MOM.
Estos métodos de defuzzificación son los del Modo A – FATI, Media del Máximo
del conjunto difuso agregado con el mínimo como conectivo también, (D1), y el Modo
B – FITA, Punto de Máximo Valor del conjunto difuso de mayor grado de
emparejamiento (D16). La Tabla 4.16, muestra las fuertes diferencias que existen
entre los valores medios (PMGA_I) obtenidos con todos los métodos y los valores
obtenidos con los mejores, los citados anteriormente.
Ambos verifican las propiedades básicas a1) y b) pero no la c). De este modo,
pertenecen a la clase número 4 y los métodos de defuzzificación apropiados son los
que trabajan en Modo B – FITA utilizando el grado de emparejamiento como valor
de importancia (especialmente aquellos basados en la ponderación) para compensar
Conclusiones 129
La Tabla 4.18 muestra los buenos resultados para este operador de implicación
en combinación el método de defuzzificación anteriormente citado.
4.3 Conclusiones
Los operadores de implicación robustos son aquellos que verifican las siguientes
propiedades:
a) I ( h , 0 ) = 0, ∀ h ∈ [ 0 , 1 ]
b) I ( h , 1 ) > 0, ∀ h ∈ ( 0 , 1 ) e I ( 1 , 1 ) = 1
c) I ( 0 , y ) = 0, ∀ y ∈ [ 0 , 1 ]
3. El Modo B – FITA es más general que el Modo A – FATI para el diseño del
Interfaz de Defuzzificación.
4. Hay dos tipos de R-Implicaciones en función del tipo de t-norma con el que
han sido obtenidas:
Por otro lado, es importante señalar que afirmaciones clásicas tales como
“Muchos métodos de defuzzificación han sido propuestos en la literatura, pero no
hay base científica para ninguno de ellos... ( ); consecuentemente, la defuzzificación
es un arte más que una ciencia...” [Men95] quedan en evidencia tras el estudio
realizado, pues la defuzzificación debe ir vinculada al modo en que se haya
realizado la inferencia y sí existen pautas que guíen la elección del método de
defuzzificación a emplear.
Apéndice A: Resultados Parciales 133
también son ampliamente citados los métodos BADD, SLIDE y QM, cuyas
expresiones se mostrarán posteriormente en el presente capítulo.
y1 + y2
y0 = .
2
∫ y ⋅ µB' ( y ) dy
y0 = Y .
∫Y µB' ( y ) dy
∫ α ⋅ tα da
α = 0
,
s
tα = α − corte en α ,
( −tα + +tα )
y0 = .
2
y0 = z tal que
z b
y0 = z tal que
Métodos de Defuzzificación No Paramétricos 141
v b
∫ T ( x ) dx = ∫ T ( x ) dx
a v
• La Moda [Wie97]:
y0 = t1
∑ si ⋅ W i
y0 = i
.
∑ si
i
142 Estudio de los Métodos de Defuzzificación
∑ li ⋅ Wi
y0 = i .
∑ li
i
∑ hi ⋅ Wi
y0 = i .
∑ hi
i
∑ si ⋅ G i
y0 = i .
∑ si
i
∑ li ⋅ Gi
y0 = i .
∑ li
i
∑ hi ⋅ Gi
y0 = i .
∑ hi
i
• Otros [HDR93,HT93,Hel93,CCCHP94]:
∑ Gi
y0 = i
.
m
o Centro de Sumas:
∑ ∫Y y ⋅ µB' i( y ) dy
y0 = i
.
∑ ∫Y µB' i( y ) dy
i
144 Estudio de los Métodos de Defuzzificación
n
∑ li ⋅ ai
y0 = i =1
n
,
∑ ai
i =1
y0 = i
,
∑ µB' ( yi ) ⋅ exp[− β ⋅ ( µB' ( yi ) − ]
n
µ Bm' ) 2
i
2
n N
∑ µB' ( yi ) ⋅ ∑ β j ⋅ ( µB' ( yi ) − 0.5 ) j ⋅ yi
y0 =
i j =0 .
2
n N
∑ µB' ( yi ) ⋅ ∑ β j ⋅ ( µB' ( yi ) − 0.5 ) j
i j =0
n N
∑ µB' ( yi ) ⋅ ∑ β j ⋅ ( µB' ( yi ) − 0.5 ) j ⋅ yi
y0 =
i j =0 .
n N
∑ µB' ( yi ) ⋅ ∑ β j ⋅ ( µB' ( yi ) − 0.5 ) j
i j =0
n
∑ ( µB' ( yi ))α ⋅ yi
y0 = i =1
n
.
∑ ( µB' ( yi )) α
i =1
n
∑ µB' ( yi ) ⋅ J i ⋅ yi
y0 = i =1
n
,
∑ µB' ( yi ) ⋅ J i
i =1
1 − β , µ B' ( yi ) < α
donde Ji = .
1, µ B' ( yi ) ≥ α
b
1
y0 =
p
⋅ ∫ µB' ( y ) ⋅ y ⋅ dy ,
a
Métodos de Defuzzificación Paramétricos 147
b−a
p= ,
N
m
∑ yi ⋅ γ i ( yi − y0 ) ⋅ ( µB' ( yi )) λ
y0 = i =1
m
,
∑ γ i ( yi − y0 ) ⋅ ( µB' ( yi )) λ
i =1
donde: λ > 1es un parámetro real, (el autor suele utilizar λ = 2),
γ i ( u ) = e − β ⋅u , por tanto, los parámetros de este método de defuzzificación son
λ y β.
n
∑ ci ⋅ mi ⋅ α i
y0 = i =1
n
.
∑ ci ⋅ α i
i =1
n
h
∑ li ⋅ dξi
i =1
y0 = n
i
,
h
∑ dξi
i =1 i
di = xiderecho − xiizquierdo .
Métodos de Defuzzificación Paramétricos 149
y0 = δ ⋅ y0COA + ( 1 − δ ) ⋅ y0QM .
Las Tablas 5.7, 5.8 y 5.9, ubicadas en el Apéndice A del presente capítulo,
contienen los resultados del GA_ECM para las aplicaciones F2, E1 y E2,
respectivamente. Cada una de las tablas está dividida en dos partes, a y b, que
corresponden a los métodos no paramétricos (del D1 al D34) en primer lugar y a los
paramétricos (del D35 al D51).
La Tabla 5.2 muestra los valores de MGA_D para cada una de las tres
aplicaciones junto con el promedio para todas ellas, PMGA_D. En ella se
encuentran señalado con negrita el valor máximo y con cursiva el mínimo.
Finalmente, la Tabla 5.3 contiene los valores medios de las distintas familias de
métodos de defuzzificación en base a la taxonomía de la forma de trabajo.
152 Estudio de los Métodos de Defuzzificación
No Paramétricos Paramétricos
Modo A Modo B Modo A Modo B Mixto
mínimo máximo mínimo máximo
0.81378 0.80834 0.90516 0.90988
0.81106 0.94019 0.90752 0.99318 0.98108
Tabla 5.3. Media del PMGA_D para los dos
modos de trabajo de los métodos de defuzzificación
Observando las Tablas 5.2 y 5.3, podemos apreciar los siguientes aspectos:
Se destaca también que este perfil coincide con un resultado importante que se
obtuvo en el Capítulo 4, en relación con las características deseables de un buen
método de defuzzificación: los métodos que trabajan en Modo B – FITA y que usan
el PMV como valor característico y el grado de emparejamiento como valor de
importancia pueden subsanar la no verificación de cualquier propiedad básica, o
incluso, de un par de ellas.
N
∑ f ( hi ) ⋅ Gi
i
y0 = N
∑ f ( hi )
i
N
∑ f ( hi ) ⋅ Wi
y0 = i
N
,
∑ f ( hi )
i
donde Wi es el CG.
El siguiente paso consiste en la definición del funcional f(hi), para el cual, sin
ninguna pérdida de generalidad, se propone:
f ( hi ) = hiα ,
donde α es el parámetro.
N
∑ hiα ⋅ Gi
1. D52 = i
N
,
∑ hi α
N
∑ hiα ⋅ Wi
2. D53 = i
N
,
∑ hi α
los cuales son dos nuevos métodos de defuzzificación con un solo parámetro. Se
podría decir que el parámetro α juega un papel de variación o modulación de la
intensidad del grado de emparejamiento.
158 Estudio de los Métodos de Defuzzificación
f ( hi ) = hiα i ,
f ( hi ) = hi ⋅ α i .
La mejora de la eficacia del SBRD con múltiples parámetros será notable como
se verá en la Sección 5.5.3 pues aumentan sus grados de libertad.
N
∑ hiα i
⋅ Gi
3. D54 = i
N
,
∑ hi αi
N
∑ hiα i
⋅ Wi
4. D55 = i
N
,
∑ hiαi
i
i i
Una Nueva Propuesta de Métodos de Defuzzificación Paramétricos 159
N
∑ hi ⋅ αi ⋅ Gi
5. D56 = i
N
,
∑ hi i ⋅ αi
i
N
∑ hi ⋅ αi ⋅ Wi
6. D57 = i
N
.
∑ hi ⋅ αi
i
c + ∆( t, bi − ci ), si β = 0
c'i = i ,
ci − ∆ ( t , ci − ai ), si β = 1
160 Estudio de los Métodos de Defuzzificación
t b
( 1− )
∆( t, y ) = y( 1 − r T ),
Para llevar a cabo el aprendizaje de los parámetros en los seis nuevos métodos
en la experimentación realizada, se ha empleado siempre el operador de conjunción
producto lógico (mínimo). En cuanto a los operadores de implicación se han
empleado los siete operadores de implicación utilizados en el estudio experimental
realizado en la Sección 5.4 del presente capítulo. De igual modo, las aplicaciones
empleadas son las mismas que fueron utilizadas anteriormente en este capítulo: el
modelado difuso de la superficie tridimensional F2 y los dos problemas eléctricos, el
de la longitud real de la línea de baja tensión en núcleos rurales E1 y el de los costes
óptimos teóricos de la línea de media tensión en núcleos urbanos E2, los cuales se
detallan en el Apéndice II de la presente memoria. De este modo, los seis nuevos
métodos de defuzzificación van a ser utilizados en las mismas condiciones que lo
fueron con anterioridad los del estudio de la Sección 5.4.
Las Tablas 5.4, 5.5 y 5.6 muestran los resultados obtenidos para el modelado de
F2 , E1 y E2 respectivamente. Cada una de estas tablas contiene dos tipos de
información:
• El ECM de cada uno de los siete operadores de implicación con los métodos
de defuzzificación D21 (Modo B – FITA CG ponderado por el grado de
emparejamiento) y D24 (Modo B – FITA PMV ponderado por el grado de
emparejamiento). Esta información constituye las cuatro primeras filas
horizontales de cada tabla distribuidas de la siguiente forma: Las dos
primeras corresponden a D21, tanto sobre el conjunto de datos de
entrenamiento (señalado en las tablas como EEnt.) como sobre el conjunto de
prueba (indicado como EPru.) y de igual forma las dos siguientes filas
corresponden a D24. Estos resultados corresponden a los métodos de
defuzzificación con los parámetros fijados a 1 y se consideran como los
valores a mejorar.
162 Estudio de los Métodos de Defuzzificación
5.6 Conclusiones
Estrategias de Evolución
Las EEs que emplearemos para aprender los parámetros de los dos primeros
métodos de defuzzificación propuestos son las llamadas EE-(1+1). Se basan en el
manejo de sólo dos individuos por generación, un padre y un descendiente. El
algoritmo hace evolucionar al padre aplicando un determinado operador de
mutación a cada uno de sus componentes. Si la adaptación realizada ha tenido
éxito, es decir, el hijo está mejor adaptado que el padre según el valor de ambos en
la función de adaptación, entonces el hijo sustituye al padre en la siguiente
generación. El proceso se repite hasta que se verifica una determinada condición de
parada que habitualmente consiste en que el proceso se estabilice durante un
número de generaciones determinado.
σ 1
n , si p >
5
c
1
σ ' = muσ = σ ⋅ n c , si p < ,
5
σ, 1
si p =
5
donde zi ≈ N ( 0 ,σ ' 2 ). .
Algoritmos Genéticos
Resumen
Se inició esta memoria con el objetivo de realizar un estudio sobre el Sistema de
Inferencia de los SBRDs, es decir, sobre los operadores de conjunción e implicación
y los métodos de defuzzificación que se emplean en el proceso de inferencia.
decir, más adecuados en la mayoría de las situaciones, lo cual era algo que ya se
apreciaba desde los primeros estudios.
Trabajos Futuros
Queda también abierto como trabajo futuro el siguiente paso lógico que consiste
en la introducción de parámetros en el resto de los operadores del SBRD de modo
que pueda adaptarse no sólo el Interfaz de Defuzzificación sino todo el SBRD. De
hecho, ya existen algunas aportaciones en este campo [ETG99, JS99]. El proceso de
ajuste de parámetros podría incluir también simultáneamente a la propia BC, lo
cual podría arrojar nuevas cotas en cuanto a precisión.
Operadores de Implicación
Funciones de Implicación:
S-Implicaciones:
Diene:
Figura AI.1.
Dubois-Prade:
1 - x, si y = 0
I2(x, y) = y, si x = 1
1, en otro caso
Figura AI.2.
Mizumoto:
I3 (x,y) = 1-x + x· y
184 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.3.
R-Implicaciones:
Gödel:
1, si x ≤ y
I 4 (x, y) =
y, en otro caso
Figura AI.4.
Goguen:
y
si x ≠ 0
I5(x, y) = Min(1, x ),
1, en otro caso
Figura AI.5.
S y R-Implicaciones
Lukasiewicz:
Figura AI.6.
A → B = ¬A ∨ (A ∧ B)
tomando la forma
cuando h ≥ ½:
Figura AI.7.a.
cuando h ≤ ½:
186 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.7.b.
Gaines:
1, si x ≤ y
I8 ( x , y ) =
0, en otro caso
Figura AI.8.
1, si x = y
I9(x, y) =
y, en otro caso
Figura AI.9.
Figura AI.10.
Producto de Hamacher:
x⋅y
I 11 ( x , y ) =
x+ y-x⋅y
Figura AI.11.
Producto Algebraico:
I12 (x,y) = x· y
Figura AI.12.
Producto de Einstein:
x⋅y
I 13 ( x , y ) = 3
1 + (1 - x) ⋅ (1 - y)
188 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.13.
Producto Acotado:
Figura AI.14.
Producto Drástico:
x, si y = 1
I 15 ( x , y ) = y, si x = 1
0, en otro caso
Figura AI.15.
1, si x = y
I16 (x,y) = Min (x,EGödel (x,y)) donde EGödel =
Min( x , y ), en otro caso
Figura AI.16.
Min (x, y)
I17 (x,y) = Min (x,EGoguen (x,y)) donde EGoguen (x, y) = Min (1, )
Max (y, x)
Figura AI.17.
cuando h ≥ ½:
Figura AI.18.a.
cuando h ≤ ½:
190 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.18.b.
cuando h ≥ ½:
Figura 2.19.a.
cuando h ≤ ½:
Figura AI.19.b.
I20 (x,y) = Min (x,EDiene (x,y)) donde EDiene (x,y) = F (Max (1-x,y), Max (1-y,x)),
cuando h ≥ ½:
Operadores de Implicación 191
Figura AI.20.a.
cuando h ≤ ½:
Figura AI.20.b.
Figura AI.21.
Figura AI.22.
192 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.23.
Figura AI.24.
cuando h ≥ ½:
Figura AI.25.a.
cuando h ≤ ½:
Operadores de Implicación 193
Figura AI.25.b.
cuando h ≥ ½:
Figura AI.26.a.
cuando h ≤ ½:
Figura AI.26.b.
cuando h ≥ ½:
194 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.27.a.
cuando h ≤ ½:
Figura AI.27.b.
cuando h ≥ ½:
Figura AI.28.a.
cuando h ≤ ½:
Figura AI.28.b.
Operadores de Implicación 195
cuando h ≥ ½:
Figura AI.29.a.
cuando h ≤ ½:
Figura AI.29.b.
cuando h ≥ ½:
Figura AI.30.a.
cuando h ≤ ½, I (x,y) = 0 :
196 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.30.b.
cuando h ≥ ½:
Figura AI.31.a.
cuando h ≤ ½:
Figura AI.31.b.
Figura AI.32.
cuando h ≥ ½:
Figura AI.33.a.
cuando h ≤ ½:
Figura AI.33.b.
−1+ 5
cuando h ≥ :
2
198 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.34.a.
−1+ 5
cuando h ≤ :
2
Figura AI.34.b.
Figura AI.35.
3− 5
cuando h ≥ :
2
Operadores de Implicación 199
Figura AI.36.a.
3− 5
cuando h ≤ :
2
Figura AI.36.b.
cuando h ≥ ½:
Figura AI.37.a.
cuando h ≤ ½:
200 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
Figura AI.37.b.
Métodos de Defuzzificación 201
Métodos de Defuzzificación
∑ si ⋅ W i
i
y0 =
∑ si
i
∑ li ⋅ Wi
y0 = i
∑ li
i
∑ hi ⋅ Wi
y0 = i
∑ hi
i
∑ si ⋅ G i
y0 = i
∑ si
i
∑ li ⋅ Gi
i
y0 =
∑ li
i
∑ hi ⋅ Gi
y0 = i
∑ hi
i
• D25: Centro de Gravedad del conjunto difuso con mayor área [HDR93, HT93,
Hel93, PYL92, RG93a, CCCHP94]:
y0 = Wk
• D26: Centro de Gravedad del conjunto difuso con mayor altura [CCCHP94]:
y0 = Wk
y0 = Wk
204 Apéndice I: Operadores de Implicación y Métodos de Defuzzificación
• D28: Punto de Máximo Valor del conjunto difuso con mayor área [CCCHP94]:
y0 = Gk
y0 = Gk
y0 = Gk
Otros:
∑ Gi
i
y0 =
m
∑ ∫Y y ⋅ µB' i( y ) dy
y0 = i
∑ ∫Y µB' i( y ) dy
i
Métodos de Defuzzificación 205
n
∑ si middle
⋅ wi
i =1
u= n
∑ wi
i =1
Está basada en los estudios realizados en [CPK92], en los cuales se muestra que
la independencia entre la aplicación considerada y la exactitud obtenida por el
SBRD es una cuestión muy importante en la comparación de la influencia de los
operadores utilizados para diseñarlo. Para evitar la posible dependencia de los
resultados obtenidos de la especificidad de la aplicación escogida, se ha considerado
la relación funcional muy sencilla Y=X en el intervalo [0,10]. Esta elección se
justifica también desde el punto de vista que el mal comportamiento de los SBRDs
con determinados operadores, sería más acusado si la aplicación era simple.
MP es muy pequeño,
P es pequeño,
M es medio,
G es grande,
MG es muy grande.
Si X es MP entonces Y es MP
Si X es P entonces Y es P
Si X es M entonces Y es M
208 Apéndice II: Aplicaciones
Si X es G entonces Y es G
Si X es MG entonces Y es MG
F1 ( x1 , x2 ) = x12 + x 22 ,
donde x1 , x2 ∈ [− 5 ,5 ], F1 ( x1 , x 2 ) ∈ [0 ,50 ] , y
x1 + x1 ⋅ x2
F2 ( x1 , x2 ) = 10 ⋅ ,
x1 - 2 ⋅ x1 ⋅ x2 + x 2
NG es negativo,
Apéndice II: Aplicaciones 209
NM es negativo medio,
NP es negativo pequeño,
CR es cero,
PP es positivo pequeño,
PM es positivo medio,
PG es positivo grande.
EP es extremadamente pequeño,
MP es muy pequeño,
P es pequeño,
M es medio,
G es grande,
MG es muy grande,
EG es extremadamente grande.
Los experimentos desarrollados con las funciones F1 y F2, han sido realizados
empleando dos bases de conocimiento de 49 reglas de tipo Mamdani generadas
desde un conjunto de datos de entrenamiento mediante el método de Wang y
Mendel (WM) [WM92] (en el Apéndice III de la presente memoria se describe dicho
método). Estas bases de conocimiento son mostradas en las Tablas AII.1. y AII.2.
x2
NG NM NP CR PP PM PG
NG EG G M M M G EG
NM G M P MP P M G
NP M P MP EP MP P M
x1 CR M MP EP EP EP MP M
PP M P MP EP MP P M
PM G M P MP P M G
PG EG G M M M G EG
x2
EP MP P M G MP EG
EP EP EP EP EP EP EP EP
MP EG M P MP MP EP EP
P EG G M P MP MP EP
x1 M EG MG G M P MP EP
G EG MG MG G M P EP
MG EG EG MG MG G M EP
EG EG EG EG EG EG EG EP
Tabla AII.2. Reglas de la aplicación F2
EP es extremadamente pequeño,
MP es muy pequeño,
P es pequeño,
M es medio,
G es grande,
MG es muy grande,
EG es extremadamente grande.
x2
EP MP P M G MG EG
EP EP MP MP P MP M
MP EP MP MP G P G
x1 P MP M P P G
M MP P MG EG M
G M
MG
EG P
Tabla AII.3. Reglas del problema E1
212 Apéndice II: Aplicaciones
• x2, el área total del casco urbano de la población, el cual toma valores en
[0.15,8.55].
MP es muy pequeño,
P es pequeño,
M es medio,
G es grande,
MG es muy grande.
Apéndice II: Aplicaciones 213
Si X1 es A1 y ... y Xn es An entonces Y es B,
De este modo, las bases de reglas generadas a partir del proceso de Wang y
Mendel presentan un número de reglas acotado superiormente por el producto del
número de términos lingüísticos asociados a las variables de entrada del sistema.
[CJH98] Cordón O., del Jesus M.J. y Herrera F. (1998) Analyzing the
Reasoning Mechanisms in Fuzzy Rule Based Classification
Systems. Mathware & Soft Computing 5: 321-332.
Bibliografía 219
[DP96] Dubois D. y Prade H. (1996) What are fuzzy rules and how to use
them. Fuzzy Sets and Systems 84: 169-185.
[JS99] Jin J., Seelen W. Von. (1999) Evaluating flexible fuzzy controllers
via evolution strategies. Fuzzy Sets and Systems 108: 243-252.
[KY95] Klir G. J. y Yuan B. (1995) Fuzzy Sets and Fuzzy Logic. Prentice-
Hall.
Bibliografía 221
[Lee90] Lee C.C. (1990) Fuzzy Logic in Control Systems: Fuzzy Logic
Controller - Partes I,II. IEEE Transactions on Systems, Man and
Cybernetics, 20 (2): 404-418, 419-435.
[RPPARP99] Rojas I., Pomares H., Pelayo F.J., Anguita M., Ros E. y Prieto A.
(1999) New methodology for the developement of adaptative and
self-learning fuzzy controllers in real time. International Journal of
Approximate Reasoning 21: 109-136.