CAPITULO 3 REDESN HOPF RELD

Una de las mayores contribuciones al area de las redes neuronales fue realizada en los años
1980 por John Hopfield, quien estudio modelos aoutoasociativos que presentaban algunas
similaridades con los perceptrones, pero que también incluían grandes diferencias.

Debido a la arquitectura y al funcionamiento, la red de Hopfield se puede incluir dentro de las

redes de neuronas recurrentes, pues cada neurona está conectada con todas las demás y
además se produce un procesamiento temporal de los patrones. Lo que diferencia a esta red de
las demás redes recurrentes es que actúa a la manera de una memoria asociativa. El concepto
de memoria asociativa es bastante intuitivo: se trata simplemente de asociar dos patrones.
Dentro de este concepto definiremos diferentes tipos de memorias asociativas:

Memoria heteroasociativa: Establece una correspondencia F entre dos vectores 𝑥⃗ e 𝑦⃗ de tal

⃗⃗⃗⃗)
manera que F(𝑥 𝑖 = ⃗⃗
𝑦⃗⃗𝑖 , y si un 𝑥⃗ arbitrario esta más próximo a ⃗⃗⃗⃗
𝑥𝑖 que a cualquier otro ⃗⃗⃗⃗,
𝑥𝑗
entonces 𝐹(𝑥⃗) = ⃗⃗𝑦⃗⃗𝑖 . En esta definición, el estar más próximo quiere decir con respecto a la
Distancia de Hamming.

Memoria asociativa interpoladora: Establece una correspondencia F entre 𝑥⃗ e 𝑦⃗ de tal manera

que 𝐹(𝑥
⃗⃗⃗⃗) 𝑦⃗⃗𝑖 , pero si el vector de entrada difiere de uno de los ejemplares en el vector 𝑑⃗, de
𝑖 = ⃗⃗

𝑥𝑖 + 𝑑⃗ , entonces 𝐹(𝑥⃗) = ⃗⃗𝑦⃗⃗𝑖 + 𝑑⃗ .

tal modo que 𝑥⃗ = ⃗⃗⃗⃗

Memoria autoasociativa: Presupone que 𝑦⃗= 𝑥⃗ y establece una correspondencia F de 𝑥⃗ en 𝑥⃗ tal

que 𝐹(𝑥⃗) = 𝑥⃗, y si algún ⃗⃗⃗⃗
𝑥𝑖 arbitrario está más próximo a ⃗⃗⃗⃗
𝑥𝑖 que a cualquier otro vector ⃗⃗⃗⃗,
𝑥𝑗
entonces 𝐹(𝑥
⃗⃗⃗⃗)
𝑖 =𝑥
⃗.

Hemos realizado las anteriores definiciones para centrarnos ahora en el modelo de Hopfield.
Primero diremos que la estructura de red neuronal que propone viene a ser una memoria
autoasociativa de una sola capa, totalmente conectada y recurrente.

La red de Hopfield está formada por n neuronas, cada una conectada a todas las demás salvo a
ella misma. La matriz de pesos de la red de Hopfield es una matriz W = (𝑤𝑖𝑗 ) de orden n × n,
donde 𝑤𝑖𝑗 representa el peso de la conexión de la neurona i a la neurona j. Dicha matriz posee
las siguientes particularidades:

Es una matriz simétrica, es decir, 𝑤𝑖𝑗 ) = 𝑤𝑖𝑗 ) ∀i, j = 1, 2, . . . , n. Esto implica que el peso de la
conexión entre dos neuronas tiene el mismo valor en ambos sentidos.

Los elementos de la diagonal de la matriz son iguales a cero, es decir, 𝑤𝑖𝑖 = 0 ∀i = 1, 2, . . . , n,

puesto que no existen conexiones de una neurona a sí misma.
Las neuronas de la red Hopfield poseen dos estados, generalmente −1 y 1, que vienen
determinados por el nivel o potencial de activación que recibe la neurona. De este modo, el
estado de la neurona i en un instante de tiempo t + 1 viene determinado por su función de
transferencia, que denotaremos por 𝑠𝑖 (t + 1). Esta función es, generalmente, una hardlimiter y
viene dada por:

Capítulo 4 Lógica difusa

¿Qué es la Lógica Difusa?

Básicamente la Lógica Difusa es una lógica multivaluada que permite

representar matemáticamente la incertidumbre y la vaguedad, proporcionando
herramientas formales para su tratamiento.

Como indica Zadeh [3], “Cuando aumenta la complejidad, los enunciados

precisos pierden su significado y los enunciados útiles pierden precisión.”, que
puede resumirse como que “los árboles no te dejan ver el bosque”. Básicamente,
cualquier problema del mundo puede resolverse como dado un conjunto de
variables de entrada (espacio de entrada), obtener un valor adecuado de
variables de salida (espacio de salida). La lógica difusa permite establecer este
mapeo de una forma adecuada, atendiendo a criterios de significado (y no de
precisión). EL término Lógica Difusa fue utilizado por primera vez en 1974.
Actualmente se utiliza en un amplio sentido, agrupando la teoría de conjunto
difusos, reglas si-entonces, aritmética difusa, cuantificadores, etc.

Historia

El concepto de Lógica Difusa fue creado por Lofti A. Zadeh, catedrático de la

Universidad de Berkeley (California) [2]. En su propuesta, la lógica difusa fue
presentada como una forma de procesamiento de información en la que los datos
podrían tener asociados un grado de pertenencia parcial a conjuntos. Fue a
mediados de los 70 cuando esta teoría se aplicó a los sistemas de control
(cuando los pequeños ordenadores empotrados tuvieron suficiente potencia
como para permitir su ejecución). Desde entonces el número de aplicaciones
industriales y su utilización en productos de consumo.
En una primera etapa (entre 1965 y 1974), Zadeh describió el concepto general
de conjunto difuso y su función de p se describieron en profundidad los
mecanismos de razonamiento y la lógica asociada a esta representación. En la
segunda etapa (desde 1972 hasta el 2000) se introducen dos conceptos
importantes: la variable lingüística y el concepto de reglas if-then. En la
actualidad, la mayoría de las aplicaciones de conjuntos difusos utilizan estos
conceptos. Gracias al desarrollo de los conceptos de esta segunda etapa
evolucionaron rápidamente aplicaciones de control difuso (especialmente en
Japón). El término de Soft Computing apareció en 1981 en el BISC (Berkeley
Initiative in Soft Computing), y puede ser definido como el uso de metodologías
que proporcionan los fundamentos para el diseño, desarrollo y uso de sistemas
inteligentes. Las principales metodologías que forman este grupo son la Lógica
Difusa, la Computación Evolutiva, Métodos Probabilísticos y Aprendizaje
Máquina. En general estas métodologías y técnicas se combinan ofreciendo
mejores resultados. La tercera etapa de desarrollo (desde 1996) se centra en la
computación con palabras, empleando procesamiento del lenguaje natural para
la búsqueda en internet y el desarrollo de respuesta automáticos. En la
actualidad existen multitud de líneas de investigación que emplean
intensivamente la teoría de la lógica difusa en diversidad de áreas de aplicación.

Características

El Principio de Incompatibilidad [3] dice que la descripción del comportamiento

de un sistema complejo no puede realizarse de forma absolutamente precisa.
Para solucionar este problema Zadeh plantea la necesidad de obtener
herramientas capaces de manejar de forma rigurosa y fiable información
imprecisa, lo cual obliga a desarrollar dos aspectos:

Representación de la información imprecisa: Para esto lo que propone es el

empleo de la Teoría de conjuntos difusos. Así como describir la experiencia de
los sistemas complejos en sus relaciones entrada-salida mediante proposiciones
condicionales del tipo Si-Entonces (Ejemplo: Si la presión es muy alta Entonces
vaciamos el recipiente) de manera que las variables de entrada y las variables
de salida quedan ligadas.
Inferencia sobre información imprecisa: Ahora se necesita una forma de
combinar esta información para obtener nuevos hechos. Entonces Zadeh
establece la necesidad de un método de inferencia generalizado e introduce lo
que se conoce como Regla Composicional de Inferencia.

A partir de este principio, se pueden describir las principales características

esenciales de la lógica difusa y los sistemas difusos:

1. El razonamiento exacto puede verse como un caso particular del razonamiento

aproximado. Cualquier sistema lógico puede ser fuzzificado. Mediante lógica
difusa se puede formular el conocimiento humano de una forma sistemática, y
puede ser fácilmente incluido en sistemas de ingeniería.

2. El conocimiento se interpreta como una colección de restricciones difusas

sobre una colección de variables. Los sistemas difusos son especialmente
interesantes para la definición de sistemas cuyo modelo exacto es difícil de
obtener (es necesario introducir una aproximación).

3.La inferencia puede verse como un proceso de propagación de estas

restricciones difusas.

4. Se utiliza ampliamente en sistemas de ayuda a la decisión. La lógica difusa

permite obtener decisiones con valores incompletos o información incierta.

Los sistemas difusos son muy recomendables en aquellos problemas muy

complejos donde no existe un modelo matemático simple asociado. Igualmente,
en procesos que obedecen a un comportamiento no lineal, la solución difusa
plantea grandes ventajas. La solución difusa requiere que el conocimiento
experto sea expresado lingüísticamente, requisito que es normalmente fácil de
obtener.

Aplicaciones

Desde mediados de los años 70, la lógica difusa se ha utilizado ampliamente

debido a varios factores. Uno de ellos es que el uso de conocimiento experto
permite la automatización de tareas. En muchas áreas de aplicación se reduce
considerablemente la necesidad de operadores que basan su conocimiento en
la experiencia (y que difícilmente podría ser expresado con ecuaciones
diferenciales). De este modo, si existe un conocimiento del proceso, es posible
modelarlo mediante lógica difusa. Los sistemas basados en lógica difusa son
fáciles de diseñar, modificar y mantener. Pese a la pérdida de precisión, la
reducción de tiempo de desarrollo y mantenimiento es muy relevante para su uso
industrial.

Otro factor a tener en cuenta es que el control difuso permite diseñar soluciones
de alta calidad que eviten las patentes existentes en otros sistemas de control.
En Japón este tipo de controladores se asocia a modernidad, alta calidad y
tecnológicamente potente. En Europa sin embargo se trata de ocultar el término
“difuso” por su significado negativo. En la actualidad multitud de productos de
electrónica de consumo emplean lógica difusa (ver Figura 1.4). Por citar algunos
ejemplos de uso, la empresa japonesa Matsuhita utiliza en sus lavadoras un
sistema de control que determina automáticamente el ciclo de lavado según el
tipo, cantidad de suciedad y tamaño de la colada. Los estabilizadores de
imágenes en sus cámaras digitales incorporan reglas que eliminan las
vibraciones involuntarias de la mano del operario, comparando la imagen actual
con las imágenes anteriores de la memoria. En el ámbito de la automoción,
Mitsubishi y General Motors emplean sistemas de transmisión automática y
control de temperatura basados en lógica difusa. Otro caso de éxito es el metro
de Sendai (Japón), que cuenta con 16 estaciones. El sistema de control difuso
está dividido en dos módulos, uno para el control de la velocidad (similar al de
[1]) y otro para la parada automática. Este controlador difuso ofrece importantes
ventajas sobre los controladores convencionales, como el mayor confort en el
viaje para los pasajeros y menor consumo de energía.
Figura 1.4: En la actualidad, multitud de productos de consumo (lavadoras, microondas, cámaras
de vídeo, televisores) y sistemas (ascensores, trenes, motores, frenos, control de tráfico) utilizan
internamente métodos de lógica difusa.

Conjuntos Difusos y Variables Lingüísticas

Conjuntos Difusos

Como lógica multi-valuada, en la definición de grados de pertenencia, la lógica

difusa emplea valores contínuos entre 0 (que representa hechos totalmente
falsos) y 1 (totalmente ciertos). Así, la lógica binaria clásica puede verse como
un caso particular de la lógica difusa. Zadeh propone en 1965 por primera vez la
noción de Conjunto Difuso [2]. Este hecho marca el principio de una nueva teoría
denominada Teoría de Conjuntos Difusos. Los conceptos se asocian a conjuntos
difusos (asociando los valores de pertenencia) en un proceso llamado
fuzzificación. Una vez que tenemos los valores fuzzificados podemos trabajar
con reglas lingüísticas y obtener una salida, que podrá seguir siendo difusa o
defuzzificada para obtener un valor discreto crisp. De este modo, a diferencia de
la teoría clásica de conjuntos que se basa en el principio básico de la lógica de
forma que un individuo pertenece o no pertenece a un conjunto, la idea básica
de un conjunto difuso es que un elemento forma parte de un conjunto con un
determinado grado de pertenencia. De este modo una proposición no es
totalmente (sino parcialmente) cierta o falsa. Este grado se expresa mediante un
entero en el intervalo [0, 1].

Los conjuntos clásicos, tienen limitaciones, se define un universo de discurso

que contiene a conjuntos cuyos bordes están bien definidos, un elemento puede
o no pertenecer a cierto conjunto, algo es verdadero o falso, no se definen
situaciones intermedias. Los conjuntos borrosos son una extensión de los
clásicos, donde se añade una función de pertenencia, definida esta como un
número real entre 0 y 1. Así se introduce el concepto de conjunto o subconjunto
borroso y se lo asocia a un determinado valor lingüístico, definido por una palabra
o etiqueta lingüística, donde esta es el nombre del conjunto o subconjunto. Por
cada conjunto se define una función de pertenencia o membresía denominada
µA(x), indica el grado en que la variable x está incluida en el concepto
representado por la etiqueta A (0≤µA(x)≤1), si esta función toma el valor 0
significa que tal valor de x no está incluido en A y si toma el valor 1 el
correspondiente valor de x está absolutamente incluido en A. En la Figura I-1 se
puede apreciar un ejemplo donde el conjunto velocidad (con variable x) está
subdividido en 3 subconjuntos {Baja, Meda, Alta}, con sus respectivas funciones
de membresía {µBaja(x) µMedia(x) µAlta(x)}
Definición. Sea X una colección de objetos, expresados en forma genérica por x.
Entonces, un conjunto difuso A en X, se define como un conjunto de pares
ordenados

A = {(x, µA(x))/x∈X}

Donde µA(x) es una función de pertenencia cuya etiqueta es A y su dominio es

x.

Funciones de membresía

Las funciones de membresía representan el grado de pertenencia de un

elemento a un subconjunto definido por una etiqueta.

Existe una gran variedad de formas para las funciones de membresía, las más
comunes son del tipo trapezoidal, triangular, singleton, S.
Operaciones difusas

A los subconjuntos se les puede aplicar determinados operadores o bien se

puede realizar operaciones entre ellos. Al aplicar un operador sobre un solo
conjunto se obtendrá otro conjunto, lo mismo sucede cuando se realiza una
operación entre conjuntos.

Las operaciones lógicas se utilizan en controladores y modelos difusos, son

necesarias en la evaluación del antecedente de reglas (y otras etapas) que más
adelante veremos.

Se definen a continuación 3 operaciones básicas a realizar sobre conjuntos,

estas operaciones son complemento, unión e intersección. Sean las etiquetas A
y B las que identifican a dos conjuntos borrosos asociados a una variable
lingüística x, las operaciones se definen como:

Hay muchas definiciones para las operaciones lógicas, algunas otras

definiciones que normalmente también se utilizan son:
Fuzzificación

El control difuso siempre involucra este proceso de Fuzzificación, esta operación

se realiza en todo instante de tiempo, es la puerta de entrada al sistema de
inferencia difusa. Es un procedimiento matemático en el que se convierte un
elemento del universo de discurso (variable medida del proceso) en un valor en
cada función de membresía a las cuales pertenece.

Para comprender mejor veamos la Figura I-2 que arroja los siguientes datos:
A partir de ahora y durante el resto de las operaciones en el interior del corazón
fuzzy estos datos (0.45, 0.20 y 0.00, son valores de las funciones de membresía)
representarán a las variables sensados del proceso. A tales datos les
llamaremos µ en sentido genérico para diferenciarlos de otras funciones de
membresía. 𝜇𝐴 (𝑥) = 𝜇.

Reglas difusas

Los controladores difusos usan reglas, estas combinan uno o más conjuntos
borrosos de entrada llamados antecedentes o premisas y le asocian un conjunto
borroso de salida llamado consecuente o consecuencia. Involucran a conjuntos
difusos, lógica difusa e inferencia difusa. A estas reglas se les llama reglas
borrosas o difusas o fuzzy rules. Son afirmaciones del tipo SI-ENTONCES. Los
conjuntos borrosos del antecedente se asocian mediante operaciones lógicas
borrosas AND, OR, etc.

Las reglas borrosas son proposiciones que permiten expresar el conocimiento

que se dispone sobre la relación entre antecedentes y consecuentes. Para
expresar este conocimiento de manera completa normalmente se precisan
varias reglas, que se agrupan formando lo que se conoce como basa de reglas,
es decir, la edición de esta base determina cual será el comportamiento del
controlador difuso y es aquí donde se emula el conocimiento o experiencia del
operario y la correspondiente estrategia de control.

La base de reglas suele representarse por tablas. Esta es clara en el caso de 2

variables de entrada y una de salida. En la medida que la cantidad de variables
lingüísticas crece, también lo hará la tabla, y más difícil se hará su edición.

Junto a cada regla puede estar asociado un valor entre cero y uno que pesa a
tal regla, esto puede ser importante cuando una regla tiene menor fuerza que
otras de la base de reglas.

Existe una gran variedad de tipos de reglas, dos grandes grupos son los que en
general se emplean, las reglas difusas de Mamdani y las reglas difusas de
Takagi-Sugeno (TS, para abreviar).
La estructura de las reglas es la misma tanto para controladores como para
modelos, simplemente cambiarán las variables implementadas.

Controlador con lógica difusa

Un controlador es un dispositivo cuya función es hacer que se cumpla algún

objetivo planteado en una planta o proceso. Existen distintos métodos para lograr
los objetivos de control, aquí nos enfocaremos en el control realimentado por ser
muy robusto, simple y en general no se necesita conocer tan a fondo el proceso.
Demanda poco conocimiento del proceso por parte del ingeniero de control y es
el más ampliamente aplicado de todos los métodos.

Para el diseño e implementación de un controlador debemos tener en cuenta

algunos aspectos, en [8] encontramos las siguientes leyes que ayudan en la
etapa de diseño.
1° Ley: “El mejor sistema de control es aquél más simple que hará el trabajo”. De
todas las soluciones posibles para que el sistema funcione, se debe optar por la
más simple.

2° Ley: “Se debe entender el proceso antes de poder controlarlo”. Ninguna

estrategia de control solucionará el problema si no se conoce como trabaja el
proceso.

3° Ley: “El ejemplo típico de nivel de líquido siempre debe ser controlado”.

El sistema de control debe ser capaz de solucionar el simple problema de

mantener el nivel de líquido en un rango, en otras palabras, se debe garantizar
estabilidad.

El objetivo del controlador con lógica difusa es resolver problemas complejos de

control a partir de soluciones simples o más simples que otras, a partir de la
experiencia de trabajar con el proceso, convirtiéndose esta en la base de
conocimiento requerida. Este tipo de controlador en ningún caso intenta
desplazar a las técnicas tradicionales de control, por ejemplo PID, se debe
emplear control difuso cuando sea necesario, es decir cuando otras
herramientas más simples no solucionen el problema de control de manera
satisfactoria.

En la actualidad esta herramienta de control tiene aplicación en muchos

campos, proporcionando una solución sencilla a problemas complejos. El interés
por usar este tipo de controladores es la búsqueda de reducción de costos y
mejoras en las prestaciones en los diversos procesos involucrados en una
industria. La automatización industrial está presente en todo el mundo, librando
al hombre de tareas riesgosa, repetitivas, etc., el paso siguiente en el campo de
la automatización es la reducción de costos y aumento en la calidad de los
productos ofrecidos al consumidor, este paso es en el que trabajan
continuamente muchas industrias en todo el mundo. Otro argumento válido para
la implementación de controladores difusos es que responden de mejor manera
que los controladores lineales ante la variación de parámetros, no linealidades,
perturbaciones, tiempos muertos, etc.
Diversos fabricantes de insumos para control, software y hardware, por ejemplo,
PLCs, están incorporando módulos con lógica difusa, hay muchos anuncios y
productos nuevos que incorporan en menor o mayor grado lógica difusa. De [9]
se extraen ocho aplicaciones exitosas en automatización industrial usando
fuzzyPLC (fuzzyPLC es un Controlador Lógico Programable con un módulo de
Lógica Difusa).

Control de balanceo en grúas.

• Control de llama en plantas de incineración de residuos.
• Control de dosificación en plantas de tratamiento de aguas negras.
• Control de robots en inspección de túneles.
• Control de posición en prensas.
• Control de temperatura en máquinas de modelado plástico.
• Control de clima y automatización de edificios.
• Control en conversores de generadores eólicos.

Estructura de un controlador con lógica difusa

El controlador tiene como entradas a la referencia y a la salida del proceso, como

salida del controlador tenemos a las variables que se conectan a la entrada de
los actuadores. Normalmente las variables de entrada (referencia y salida del
proceso) necesitan un procesamiento para que lleguen al corazón del
controlador difuso, es decir al sistema de inferencia propiamente dicho, a esta
etapa se le llama preprocesado, las operaciones comunes aquí son
escalamiento, conversión a digital, eliminación de ruido y tendencias, obtención
de la señal de error, derivación e integración. La salida también puede requerir
algún tipo de procesamiento, a este se le llama post-procesado. El tipo de
controlador es determinado por el preprocesado, aunque el post-procesado
también puede determinar el tipo de controlador. En la Figura I-13 y Figura I-14
se puede observar un esquema general y otro particular de controlador difuso.
Para definir el tipo de controlador según el preprocesamiento llamaremos e al
error, de a su derivada y s a su integral. Las definiciones más comunes son

Controlador proporcional: X = f(e)

Controlador integral: X = f(s)
Proporcional derivativo: X = f(e,de)
Proporcional integral: X = f(e,s)
Con realimentación no lineal: X = f(R,S)

Donde R es la referencia y S es la salida del proceso.

Base de conocimientos

Se ha indicado anteriormente que el controlador debe emular el comportamiento

de un operario. La base de reglas es lo que representa este conocimiento o
experiencia, se debe tener en cuenta que las fuentes de conocimiento pueden
ser muy variadas, aquí se considerarán solo 2, la experiencia del operario y el
conocimiento obtenido a partir de ensayos o simulaciones con el modelo del
proceso, en particular nos interesa el 2° caso porque contamos con herramientas
de simulación. La información que se extrae de las simulaciones está relacionada
con el comportamiento o respuesta del sistema en lazo abierto y/o cerrado
(usando algún controlador sencillo), con esta información se definen las reglas,
es decir, la estrategia de control. Es importante observar el comportamiento de
las variables de entrada del controlador, una ayuda de esto es tener información
de su derivada y su integral en el tiempo, en estas se puede tener idea acerca
de la velocidad de cambio y el error acumulado.

Diseño

Luego hay que definir es el tipo de controlador, es decir Mamdani o TS. Lo más
intuitivo es Mamdani, TS es muy bueno para estructuras con optimización, las
cuales no se ven en este trabajo. Normalmente, para problemas de seguimiento
o regulación con referencia distinta de cero, las variables que se controlan son
el error y su derivada. Para dimensionar el controlador se usa el rango de las
variables de entrada y de salida, puede ser necesario pesar las entradas y la
salida, principalmente para hacer un ajuste fino. La elección de las funciones de
membresía no es tan crítica como su rango de representación, con esto se
representa el conocimiento de las variables. Naturalmente, en la edición de la
base de reglas se representa la estrategia de control. La elección de los métodos
de inferencia, agregado, defusificación y las definiciones en las operaciones
entre conjuntos son un procedimiento de prueba y error evaluando el desempeño
del controlador, aquí se adoptará la información presentada en la literatura.
Normalmente lo presentado en I.2-Lógica Difusa es lo que da mejores
resultados. Los procedimientos de análisis y diseño pueden ser iterativos hasta
lograr un desempeño aceptable.
Análisis A la etapa de análisis se la puede descomponer en dos, una para la
observación del comportamiento de las variables de entrada (se pueden emplear
herramientas estadísticas, Fourier, correlación, etc.) seguido por la etapa de
diseño, y la otra parte del análisis es para observar los resultados del diseño
implementado. En este último caso es común que se use el plano fásico y la
respuesta temporal del sistema, además cuando se trabaja con dos variables de
entrada y una de salida se puede representar la salida con una superficie de
control y sobre esta se puede montar la trayectoria que siguen las señales de
entrada. Estas representaciones de la información son necesarias para evaluar
el desempeño del sistema con el controlador diseñado.

A continuación, se presenta un ejemplo sencillo a fin de aplicar lo antes dicho.

APLICACIÓN CONTROL DE UN MOTOR

Considerar el rango de -27 a 47 para las entradas y 3 Funciones miembro para cada una
de las entradas.
Considerar el rango de -80 a 80 para la salida y 5 Funciones miembro para la salida.

>>fuzzy
Se ingresan las reglas

RESULTADOS
Modificamos los parámetros y cambiamos los nombres
Reglas
Modificamos las reglas de acuerdo con los parámetros establecidos

SURFACE VIEWER
Podemos observar la gráfica en Surface viewer y sus parámetros
establecidos.
DEFUZIFICACIÓN
La defuzzificación del centroide devuelve el centro del área debajo de la
curva. Si piensas en el área como una placa de igual densidad, el centroide
es el punto a lo largo del eje x sobre el que se equilibrará esta forma.

Conclusiones

La teoría de los Conjuntos Difusos y sus ulteriores desarrollos, constituyen

modelos que resultan especialmente útiles para tratar con la incertidumbre de
manera más "natural" y más "humana" que la lógica y la teoría de conjuntos
clásicas.
La Lógica Difusa surgió debido a la necesidad de solucionar problemas
complejos con información imprecisa para los cuales la lógica tradicional no era
suficiente. Es un lenguaje que permite trasladar sentencias sofisticadas del
lenguaje natural a un lenguaje matemático formal.
Los Conjuntos Difusos, como su nombre lo indica, no tienen límites bien
definidos, es decir, la transición entre la pertenencia y la no pertenencia de una
variable a un conjunto es gradual. Para representar formalmente la incertidumbre
de este tipo de enunciados se definen variantes de la Lógica Clásica en la que
los valores de verdad no se limitan solamente a Verdadero y Falso.
Se caracteriza por Funciones de Pertenencia que dan la flexibilidad a la
modelación utilizando expresiones lingüísticas tales como mucho, poco, leve,
severo, escaso, suficiente, caliente, frío, joven.
Un elemento puede pertenecer a varios Conjuntos Difusos a la vez, aunque con
distinto grado y, en este caso, no se puede decir, tratándose de Conjuntos
Difusos, que pertenece a un único conjunto de manera rotunda.
Referencias

[1] J.P. Aurrand-Lions, L. Fournier, P. Jarri, et al. Application of fuzzy control for
ISIS vehicule braking. In Proceedings of Fuzzy and Neuronal Systems, and
Vehicule applications’91, 1991.

[2] L.A. Zadeh. Fuzzy set. Information and Control, 8:338–353, 1965

[3] L.A. Zadeh. Outline of a new approach to the analysis of complex system.
IEEE Transaction on System Man and Cybernetics, 1:28– 44, 1973.

[8 ]William L. Luyben, Michael L. Luyben. “Essential of process control”. Ed.

McGraw-Hill. 1997.

[9] http://www.fuzzytech.com

[10] IEC 1131 – Programable controllers. Part 7 – Fuzzy control programming.

Rel. 19 Jan 97.

file:///C:/Users/Alvaro/Downloads/red_de_hopfield_y_crecimiento_de_redes.pdf