Evaluación de instrucciones difusas en un

procesador RISC

Los autores informan los resultados de mediciones dinámicas que evalúan la

efectividad de un microprocesador específico de la aplicación para el control difuso y
el procesamiento difuso de la información. Proponen especializar una arquitectura de
microprocesador para operaciones de teoría difusa utilizando técnicas cuantitativas
desarrolladas por diseñadores de la arquitectura de computación de conjuntos de
instrucciones reducidas (RISC). En particular, se considera la introducción de
instrucciones especializadas. Los resultados experimentales muestran que es posible
alcanzar una velocidad de hasta 2.5 para un programa de control difuso mediante la
introducción de dos instrucciones, min y max.

@INPROCEEDINGS{327522,
author={H. {Watanabe} and D. {Chen}},
booktitle={[Proceedings 1993] Second IEEE International Conference on Fuzzy
Systems},
title={Evaluation of fuzzy instructions in a RISC processor},
year={1993},
volume={},
number={},
pages={521-526 vol.1},
keywords={application specific integrated circuits;fuzzy control;fuzzy
logic;microprocessor chips;reduced instruction set computing;min
instruction;max instruction;fuzzy instructions;RISC processor;application-specific
microprocessor;fuzzy control;fuzzy information processing;microprocessor
architecture;fuzzy-theoretic operations;quantitative techniques;Reduced
instruction set computing;Microprocessors;Delay;Fuzzy control;Fuzzy
sets;Application software;Information processing;Fuzzy logic;Optimizing
compilers;Computer science},
doi={10.1109/FUZZY.1993.327522},
ISSN={null},
month={March},}
Modelado difuso utilizando un nuevo sistema
difuso compacto: una aplicación especial para
la predicción de las propiedades mecánicas de
los aceros aleados
Resumen:
En los casos de modelado de alta dimensión, un enfoque de modelado difuso basado
en la división en cuadrícula de conjuntos difusos siempre enfrenta grandes desafíos,
ya que no puede evitar el problema de introducir una gran cantidad de reglas
difusas. Para abordar este problema, en este documento se propone un nuevo
paradigma de modelado difuso basado en particiones de cuadrícula para construir un
sistema difuso compacto mediante la inclusión de "reglas breves breves", en las que
solo se utilizan unas pocas premisas estratégicas. En el enfoque propuesto, la
generación de reglas difusas está orientada a datos, una consideración que puede
reducir en gran medida la complejidad computacional. También se diseña un nuevo
marco para el razonamiento difuso y la defuzzificación, que emplea algunos datos de
referencia archivados para ayudar a elegir las reglas difusas más adecuadas. En
ingeniería de materiales, La descripción del comportamiento de las propiedades
mecánicas de las aleaciones es a menudo un problema de modelado de alta
dimensión, que implica la complejidad de los compuestos químicos de los materiales y
sus mecanismos de procesamiento físico subyacentes. En este documento, el
enfoque propuesto se aplicó con éxito para generar modelos de resistencia final a la
tracción de acero aleado. En comparación con los paradigmas de modelado difuso
basados en particiones de cuadrícula estándar, el nuevo método muestra una mejora
tanto en complejidad como en interpretabilidad. En comparación con los enfoques de
modelado difuso basados en la agrupación, el método propuesto puede alcanzar el
mismo nivel de precisión y es más transparente. El enfoque propuesto se aplicó con
éxito para generar modelos de máxima resistencia a la tracción del acero aleado. En
comparación con los paradigmas de modelado difuso basados en particiones de
cuadrícula estándar, el nuevo método muestra una mejora tanto en complejidad como
en interpretabilidad. En comparación con los enfoques de modelado difuso basados
en la agrupación, el método propuesto puede alcanzar el mismo nivel de precisión y
es más transparente. El enfoque propuesto se aplicó con éxito para generar modelos
de máxima resistencia a la tracción del acero aleado. En comparación con los
paradigmas de modelado difuso basados en particiones de cuadrícula estándar, el
nuevo método muestra una mejora tanto en complejidad como en interpretabilidad. En
comparación con los enfoques de modelado difuso basados en la agrupación, el
método propuesto puede alcanzar el mismo nivel de precisión y es más transparente.

@INPROCEEDINGS{6007730,
author={Q. {Zhang} and M. {Mahfouf}},
booktitle={2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE
2011)},
title={Fuzzy modelling using a new compact fuzzy system: A special application
to the prediction of the mechanical properties of alloy steels},
year={2011},
volume={},
number={},
pages={1041-1048},
keywords={alloy steel;data mining;fuzzy reasoning;fuzzy set theory;fuzzy
systems;materials science computing;pattern clustering;tensile strength;fuzzy
system;mechanical properties;alloy steels;grid partitioning;fuzzy sets;fuzzy
rules;fuzzy reasoning;defuzzification;material engineering;chemical
composites;tensile strength;clustering-based fuzzy modelling;Fuzzy
systems;Fuzzy sets;Steel;Data models;Predictive models;Mechanical
factors;fuzzy;high-dimensional modelling;grid partitioning;interpretability;short
fuzzy rule;alloy steel;mechanical property},
doi={10.1109/FUZZY.2011.6007730},
ISSN={1098-7584},
month={June},}

Software especializado para aplicaciones de

lógica natural difusa y transformación difusa
Resumen:
En este artículo, se presentan tres sistemas especiales de software de informática
suave. Los sistemas se basan en los resultados originales en dos áreas: lógica natural
difusa y transformación difusa. El primer software es el controlador LFL, que es un
sistema SW universal que se puede utilizar en el control difuso o lingüístico, y en la
toma de decisiones. El sistema implementa resultados de lógica natural difusa, a
saber, la teoría de las expresiones lingüísticas evaluativas y la deducción lógica
basada en la percepción. Esto significa que la estrategia de control o decisión se
define directamente en lenguaje natural. Además, también puede realizar el control
difuso clásico sobre la base de la interpretación relacional de las reglas difusas IF-
THEN. Este sistema tiene una amplia gama de aplicaciones y ya se aplicó en el
control de plantas reales. El segundo sistema es LFL Forecaster, que es un SW
especializado para el análisis y pronóstico de series de tiempo. El análisis se realiza
utilizando la transformación F y el pronóstico utilizando resultados de lógica natural
difusa. El tercer sistema es FT-Studio, que es un SW especializado para el cálculo de
la transformación difusa de funciones que se pueden definir mediante una fórmula o
mediante datos.

@INPROCEEDINGS{6891565,
author={V. {Novak} and V. {Pavliska} and R. {Valäsek}},
booktitle={2014 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)},
title={Specialized software for fuzzy natural logic and fuzzy transform
applications},
year={2014},
volume={},
number={},
pages={2337-2344},
keywords={fuzzy logic;fuzzy set theory;natural languages;software
engineering;transforms;special soft computing software systems;fuzzy natural
logic;LFL controller;universal SW system;linguistic control;decision-
making;linguistic expression evaluation;perception-based logical
deduction;natural language;fuzzy control;fuzzy IF-THEN rules;LFL
forecaster;time series forecasting;time series analysis;F-transform;FT-
studio;fuzzy transform of functions;Pragmatics;Transforms;Fuzzy
sets;Context;Natural languages;Software systems},
doi={10.1109/FUZZ-IEEE.2014.6891565},
ISSN={1098-7584},
month={July},}

Aplicación de lógica difusa a problemas de

diseño y configuración de ingeniería: una
encuesta
Resumen:
Durante la última década, la lógica difusa se utilizó con éxito para resolver problemas
del mundo real, en particular en ingeniería, gestión, medicina, tráfico, etc. Se han
desarrollado tecnologías como el control difuso, el análisis de datos difusos y el
análisis de decisiones difuso de criterios múltiples. Solía resolver muchas aplicaciones
importantes. Sin embargo, solo hay un pequeño número de enfoques publicados
relacionados con la aplicación de la lógica difusa a problemas de diseño de
ingeniería. Por otro lado, lidiar con la imprecisión en el diseño es muy importante,
porque el proceso de diseño podría verse como un proceso para reducir la imprecisión
de forma iterativa. Describimos y comparamos tres enfoques alternativos para el
diseño y la configuración de ingeniería difusa: un método de imprecisión y diseño; un
método que trata con requisitos imprecisos del usuario para construir o seleccionar un
artefacto de diseño óptimo; y un enfoque difuso de toma de decisiones con criterios
múltiples.
@INPROCEEDINGS{552335,
author={H. -. {Zimmermann} and H. -. {Sebastian}},
booktitle={Proceedings of IEEE 5th International Fuzzy Systems},
title={Application of fuzzy logic to engineering design and configuration
problems-a survey},
year={1996},
volume={2},
number={},
pages={1120 vol.2-},
keywords={fuzzy logic;fuzzy logic;engineering design;engineering
configuration;imprecision;imprecise user requirements;optimal design-
artifact;fuzzy multi-criteria decision making approach;Fuzzy logic;Design
engineering;Fuzzy sets;Fuzzy systems;Software design;Software
tools;Application software;Bridges;Systems engineering and theory},
doi={10.1109/FUZZY.1996.552335},
ISSN={null},
month={Sep.},}

Análisis de regresión difusa utilizando RFLN y

su aplicación.
Resumen:
Cuando intentamos modelar un sistema complejo que incluye un ser humano como un
componente importante, puede ser difícil representar el sistema mediante un modelo
matemático determinista. La razón principal de esta dificultad es que el sistema en sí
tiene algo de confusión sobre el juicio subjetivo de un ser humano. En este artículo,
proponemos un método de regresión no lineal difuso con RFLN (red de aprendizaje
difuso basado en RCE), que es capaz de extraer automáticamente el conocimiento de
los expertos. RFLN es un modelo RCE extendido (energía de Coulomb restringida),
por lo tanto, necesita pocas iteraciones en el aprendizaje y su aprendizaje adicional es
fácil. El método propuesto tiene mayor flexibilidad que los modelos de regresión lineal
difusa. Proponemos algoritmos de aprendizaje para identificar un modelo de intervalo
no lineal que incluye aproximadamente todos los datos de entrada-salida dados. El
método propuesto tiene características de aprendizaje más rápido y de aprendizaje
adicional más fácil. La efectividad del método se muestra mediante experimentos
numéricos.
@INPROCEEDINGS{616343,
author={ {Xinxue Zhang} and S. {Omachi} and H. {Aso}},
booktitle={Proceedings of 6th International Fuzzy Systems Conference},
title={Fuzzy regression analysis using RFLN and its application},
year={1997},
volume={1},
number={},
pages={51-56 vol.1},
keywords={statistical analysis;fuzzy set theory;fuzzy neural nets;learning
(artificial intelligence);fuzzy logic;fuzzy regression analysis;fuzziness;fuzzy
nonlinear regression method;RCE-based fuzzy learning network;extended
restricted Coulomb energy model;nonlinear interval model;Regression
analysis;Humans;Fuzzy systems;Neural networks;Fuzzy sets;Vectors;Marketing
and sales;Quality management;Fuzzy neural networks;Linear systems},
doi={10.1109/FUZZY.1997.616343},
ISSN={null},
month={July},}

Cómo extraer asociaciones lingüísticas

utilizando la transformación difusa
Resumen:
En este documento, se propone un método para las asociaciones mineras compuesto
por números difusos en el antecedente y para evaluar expresiones lingüísticas (es
decir, expresiones como pequeño, muy grande, más o menos medio, etc.) en
consecuencia. El método principal es la transformación difusa y una cierta aplicación
de la teoría lógica de la evaluación de expresiones lingüísticas.

@INPROCEEDINGS{4216878,
author={I. {Perfilieva} and V. {Novak} and A. {Dvorak}},
booktitle={NAFIPS 2006 - 2006 Annual Meeting of the North American Fuzzy
Information Processing Society},
title={How to Mine Linguistic Associations using Fuzzy Transform},
year={2006},
volume={},
number={},
pages={645-648},
keywords={computational linguistics;data mining;fuzzy set theory;natural
language processing;fuzzy transform;linguistic associations;mining
associations;fuzzy numbers;linguistic expressions;Fuzzy sets;Virtual
reality;Natural languages;Fuzzy logic;Mathematical
model;Shape;Filtering;Kernel;Differential equations;Data compression},
doi={10.1109/NAFIPS.2006.365485},
ISSN={null},
month={June},}

Aplicación industrial de comparación de

imágenes borrosas en control de calidad
Para los datos de imagen representados como conjuntos difusos, se utiliza una
relación difusa especial, llamada analogía, para comparar imágenes. Los conjuntos
difusos que representan imágenes se definen en función de las características
elementales de la imagen y la denominada partición. Se dan ejemplos de aplicaciones
industriales.

@INPROCEEDINGS{619749,
author={R. {Felix} and R. {Albersmann} and S. {Reddig}},
booktitle={Proceedings of 6th International Fuzzy Systems Conference},
title={Industrial application of fuzzy image comparison in quality control},
year={1997},
volume={3},
number={},
pages={1405-1409 vol.3},
keywords={computer vision;image representation;quality control;production
control;computational complexity;fuzzy set theory;image matching;fuzzy image
comparison;quality control;fuzzy set theory;fuzzy relation;grid
partitioning;elementary image characteristics;image analysis;image
representation;computational complexity;FuzzyImageDesk;Industrial
control;Fuzzy control;Quality control;Fuzzy sets;Image edge detection;Image
representation;Industrial relations;Image analysis;Identity-based
encryption;Pattern recognition},
doi={10.1109/FUZZY.1997.619749},
ISSN={null},
month={July},}

Una aplicación de redes neuronales difusas para

un análisis de estabilidad de sistemas de control
difusos.
Resumen:
Los autores presentan un método para analizar la estabilidad de los sistemas de
control difusos utilizando redes neuronales difusas (FNN). Los FNN son capaces de
adquirir reglas difusas y ajustar las funciones de membresía automáticamente con el
algoritmo de aprendizaje de retropropagación (BP). Un FNN se utiliza para obtener un
modelo difuso del objeto controlado. El otro FNN está entrenado para adquirir un
modelo difuso del controlador. También se presenta una nueva definición de la
estabilidad de los sistemas de control difusos. Usando el controlador difuso y el
modelo difuso obtenido para el objeto controlado, un análisis de estabilidad basado en
la definición propuesta se realiza lingüísticamente y es muy fácil de entender. <>

@INPROCEEDINGS{327434,
author={T. {Furuhashi} and S. -. {Horikawa} and Y. {Uchikawa}},
booktitle={[Proceedings 1993] Second IEEE International Conference on Fuzzy
Systems},
title={An application of fuzzy neural networks to a stability analysis of fuzzy
control systems},
year={1993},
volume={},
number={},
pages={369-374 vol.1},
keywords={backpropagation;control system analysis;fuzzy control;neural
nets;stability;fuzzy neural networks;stability analysis;fuzzy control systems;fuzzy
rules;tuning;membership functions;backpropagation;learning algorithm;fuzzy
model;Fuzzy control;Fuzzy neural networks;Stability analysis;Automatic
control;Neural networks;Fuzzy reasoning;Electronic mail;Fuzzy systems;Control
systems;Equations},
doi={10.1109/FUZZY.1993.327434},
ISSN={null},
month={March},}

FLIC: agrupación invariante lineal difusa para

aplicaciones en control difuso
Resumen:
Presentamos un nuevo método para la agrupación difusa que es útil para derivar
reglas de tipo Takagi-Sugeno "si x es A / sub k /, entonces y = g / sub k / (x)". A
diferencia de los trabajos anteriores, donde el algoritmo c-means se usa primero para
formar grupos con un solo centro de puntos y luego se forman g / sub k / (x) por
separado para cada grupo, nosotros formamos los grupos y su representante más
general g / sub k / (x) 's simultáneamente. Las reglas obtenidas por nuestro método
dan un error 50% menor en la predicción de y a partir de x que el obtenido por los
métodos anteriores. Los grupos obtenidos por nuestro método son invariables bajo
transformaciones lineales generales: traslación, rotación y escalamiento diferencial de
las coordenadas. Los clústeres obtenidos por el algoritmo c-means no son invariables
bajo escala diferencial. <>

@INPROCEEDINGS{375099,
author={S. {Kundu} and {Jianhua Chen}},
booktitle={NAFIPS/IFIS/NASA '94. Proceedings of the First International Joint
Conference of The North American Fuzzy Information Processing Society
Biannual Conference. The Industrial Fuzzy Control and Intellige},
title={FLIC: fuzzy linear invariant clustering for applications in fuzzy control},
year={1994},
volume={},
number={},
pages={196-200},
keywords={fuzzy control;fuzzy logic;invariance;fuzzy set theory;predictive
control;fuzzy linear invariant clustering;fuzzy control;Takagi-Sugeno type
rules;c-means algorithm;differential scaling;coordinate rotation;coordinate
translation;fuzzy logic;fuzzy set theory;Fuzzy control;Clustering
algorithms;Takagi-Sugeno model;Fuzzy sets;Fuzzy systems;Application
software;Computer science;Power engineering and energy;Power system
management;Engineering management},
doi={10.1109/IJCF.1994.375099},
ISSN={null},
month={Dec},}

Una nueva relación difusa y su aplicación a los

módulos de reglas de entrada única conectan el
sistema de inferencia difusa
Resumen:
El principio de las proporciones se ha aplicado a muchos problemas del mundo real,
por ejemplo, las formulaciones de proporción de parte a parte y de parte a todo. Como
es difícil para los humanos proporcionar una proporción exacta en muchas situaciones
reales, introducimos una proporción difusa en este documento. Utilizamos algunas
nociones de aritmética difusa para analizar las proporciones difusas capturadas de los
humanos. Se demuestra una aplicación de la relación difusa formulada a un Sistema
de Inferencia Difusa conectado a Módulos de Reglas de Entrada Única (SIRMs-
FIS). En lugar de usar un peso preciso, se emplean conjuntos difusos para
representar la importancia relativa de cada módulo de reglas. Los pesos difusos
resultantes se explican como una relación difusa en un dominio de peso. Además, se
diseña un nuevo modelo SIRMs-FIS con pesos difusos y una relación difusa de parte
a todo. Se presenta un ejemplo simulado para aclarar el modelo SIRM-FIS propuesto.

@INPROCEEDINGS{6891614,
author={C. H. {Jong} and K. M. {Tay} and C. P. {Lim}},
booktitle={2014 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)},
title={A new fuzzy ratio and its application to the single input rule modules
connected fuzzy inference system},
year={2014},
volume={},
number={},
pages={1586-1590},
keywords={fuzzy reasoning;part-to-part ratio formulations;part-to-whole ratio
formulations;fuzzy arithmetic;single input rule modules connected fuzzy
inference system;SIRMs-FIS;fuzzy weights;part-to-whole fuzzy ratio;Fuzzy
sets;Fuzzy logic;Fuzzy systems;Proteins;Concrete;Conferences;Fuzzy
reasoning;Fuzzy ratio;fuzzy arithmetic;single input rule modules connected
fuzzy inference system;fuzzy weights},
doi={10.1109/FUZZ-IEEE.2014.6891614},
ISSN={1098-7584},
month={July},}
Modificación de modelos de reglas basadas en
la subsecuencia difusa ponderada con
cuantificadores difusos

Resumen:
El uso de cuantificadores difusos en modelos lingüísticos difusos ayuda a construir
sistemas difusos que usan términos lingüísticos de una manera más natural. Aunque
se han desarrollado varias técnicas de cuantificación difusa, la aplicación de las
técnicas existentes parece muy limitada. Este artículo propone una aplicación de
cuantificación difusa para reemplazar los pesos nítidos en modelos de reglas difusas
basadas en la subsecuencia. Además de la preocupación de que los modelos difusos
deben tener una alta tasa de precisión, también se ha prestado atención para
mantener la simplicidad del modelo difuso generado. El objetivo es producir modelos
difusos basados en cuantificadores que no solo sean legibles sino también
prácticamente aplicables. El modelo difuso basado en cuantificador se aplica luego a
las tareas de clasificación. Las precisiones de clasificación de los modelos difusos que
usan pesos nítidos, cuantificadores continuos, se comparan cuantificadores de valores
múltiples y cuantificadores de dos valores. Los resultados experimentales muestran
que la precisión de clasificación del modelo difuso que usa cuantificadores continuos
es: 1) tan buena como la precisión de clasificación de los modelos difusos que usan
pesos nítidos, y 2) en la mayoría de los casos, mejor que los modelos difusos que
usan valores múltiples cuantificadores o cuantificadores de dos valores.

@INPROCEEDINGS{1375433,
author={K. A. {Rasmani} and Q. {Shen}},
booktitle={2004 IEEE International Conference on Fuzzy Systems (IEEE Cat.
No.04CH37542)},
title={Modifying weighted fuzzy subsethood-based rule models with fuzzy
quantifiers},
year={2004},
volume={3},
number={},
pages={1679-1684 vol.3},
keywords={fuzzy set theory;computational linguistics;pattern classification;fuzzy
systems;weighted fuzzy subsethood-based rule model;fuzzy quantifier;linguistic
fuzzy model;fuzzy system;fuzzy quantification technique;quantifier-based fuzzy
model;classification accuracy;crisp weight;continuous quantifier;multivalued
quantifier;two-valued quantifier;Fuzzy logic;Fuzzy sets;Fuzzy systems;Natural
languages;Interpolation;Informatics;Tellurium;Training data},
doi={10.1109/FUZZY.2004.1375433},
ISSN={1098-7584},
month={July},}

Algoritmos genéticos de ADN para el diseño de

sistemas difusos
Resumen:
Se propone un nuevo algoritmo genético de ADN (DNA-GA) basado en el mecanismo
del ADN biológico y la información genética. Se discuten los operadores genéticos del
ADN-GA. El método de codificación de ADN es adecuado para la representación de
conocimientos complejos. El DNA-GA se emplea para diseñar sistemas difusos
generalizados (GFS) efectivos para las aplicaciones de modelado y control. GFS
emplea reglas difusas arbitrarias, e (- | / spl alpha // sub 1 / x / sub 1 / + / spl alpha //
sub 2 / |) - conjuntos difusos de entrada de tipo que contienen conjuntos difusos de
entrada continua casi arbitraria, salida arbitraria de singleton conjuntos difusos, lógica
difusa arbitraria AND, y el desempañador generalizado que contiene el desuzzizador
centroide ampliamente utilizado como un caso especial. El DNA-GA se utiliza para
seleccionar variables de entrada y para ajustar los parámetros de diseño y las
funciones de membresía de GFS. Como tal, se pueden obtener los conjuntos de
reglas difusas de GFS.

@INPROCEEDINGS{839185,
author={ {Lihong Ren} and {Yongsheng Ding} and {Shihuang Shao}},
booktitle={Ninth IEEE International Conference on Fuzzy Systems. FUZZ- IEEE
2000 (Cat. No.00CH37063)},
title={DNA genetic algorithms for design of fuzzy systems},
year={2000},
volume={2},
number={},
pages={1005-1008 vol.2},
keywords={fuzzy systems;fuzzy logic;fuzzy control;fuzzy set theory;genetic
algorithms;DNA genetic algorithms;fuzzy systems;fuzzy control;fuzzy
modeling;fuzzy set theory;fuzzy logic AND;defuzzifier;membership
functions;fuzzy rules;DNA;Genetic algorithms;Algorithm design and
analysis;Fuzzy systems;Fuzzy sets;Fuzzy logic;Fuzzy control;Biological
information theory;Encoding;Biological system modeling},
doi={10.1109/FUZZY.2000.839185},
ISSN={1098-7584},
month={May},}

Diseño de un controlador dinámico difuso IC

con aplicación para control de estacionamiento
de garaje
Resumen:
Los controladores difusos implementados en hardware pueden funcionar con un
rendimiento mucho mayor que las implementaciones de software en
microcontroladores estándar. En este artículo, se propone un controlador dinámico de
lógica difusa (FLC) y sus arquitecturas de hardware. El FLC se realiza en un chip
CLPD. Los circuitos presentados pueden generar dinámicamente resultados de
inferencia difusos cuando se activan, por lo que no es necesario diseñar una ROM a
gran escala para almacenar las reglas difusas. Incluso si aumentamos las
resoluciones de las variables de entrada y salida y los universos de los discursos, los
incrementos de los recuentos de puertas son muy pocos. Finalmente, se utiliza un
sistema de control de estacionamiento de garaje para demostrar la efectividad del chip
desarrollado.

@INPROCEEDINGS{838665,
author={ {Tzuu-Hseng S. Li} and {Cheng-Seng Hsu} and {Yu-Ji Su}},
booktitle={Ninth IEEE International Conference on Fuzzy Systems. FUZZ- IEEE
2000 (Cat. No.00CH37063)},
title={Design of a dynamic fuzzy controller IC with application to garage parking
control},
year={2000},
volume={1},
number={},
pages={239-244 vol.1},
keywords={fuzzy control;controllers;digital integrated circuits;fuzzy
logic;automobiles;fuzzy controller;garage parking control;fuzzy logic;CLPD
chip;fuzzy inference;gate counts;Fuzzy control;Application specific integrated
circuits;Hardware;Application software;Software performance;Software
standards;Microcontrollers;Fuzzy logic;Computer architecture;Large-scale
systems},
doi={10.1109/FUZZY.2000.838665},
ISSN={1098-7584},
month={May},}

Análisis aproximado del gráfico difuso del nodo

difuso y su aplicación
Resumen:
Al aplicar la teoría del gráfico difuso, podríamos analizar la información inexacta de
manera eficiente e investigar la relación difusa por gráfico difuso. Extendemos la
teoría del gráfico difuso y proponemos un gráfico difuso de nodo difuso. Lo
transformamos en un gráfico difuso de nodo nítido utilizando la familia de la norma
T. En este artículo, explicamos un gráfico difuso de nodo difuso y proponemos un
nuevo "producto cuasi lógico" de la familia de normas T. Al utilizar esta nueva norma
T, podríamos transformar razonablemente el gráfico difuso del nodo difuso en el
gráfico difuso del nodo nítido. Además, ilustramos su efectividad a través del análisis
de sociometría.

@INPROCEEDINGS{1375519,
author={H. {Uesu} and H. {Yamashita} and H. {Suda} and K. {Shinkai}},
booktitle={2004 IEEE International Conference on Fuzzy Systems (IEEE Cat.
No.04CH37542)},
title={Approximate analysis of fuzzy node fuzzy graph and its application},
year={2004},
volume={2},
number={},
pages={873-877 vol.2},
keywords={social sciences;graph theory;fuzzy set theory;fuzzy node fuzzy
graph;fuzzy graph theory;crisp node fuzzy graph;T-norm family;quasilogical
product;sociometry analysis;Fuzzy sets;Information analysis;Graph theory;Fuzzy
logic;Boundary conditions},
doi={10.1109/FUZZY.2004.1375519},
ISSN={1098-7584},
month={July},}

Análisis de regresión difusa por redes

neuronales difusas y su aplicación.
Resumen:
En este artículo, proponemos un método de regresión difusa utilizando redes
neuronales difusas cuando se adjunta un valor de membresía a cada par de entrada-
salida. En nuestro método, el valor de membresía representa el grado de importancia
del par de entrada-salida correspondiente. Primero, mostramos la arquitectura de
redes neuronales difusas que tienen pesos difusos y sesgos difusos. A continuación,
definimos una función de costo que se basa en la relación de inclusión entre la salida
difusa de la red neuronal difusa y el objetivo nítido correspondiente con un valor de
membresía. Un algoritmo de aprendizaje se deriva de la función de costo. El algoritmo
de aprendizaje derivado entrena la red neuronal difusa para que el objetivo nítido se
incluya en el conjunto de niveles de la salida difusa real. El nivel establecido se define
por el valor de membresía del objetivo nítido.

@INPROCEEDINGS{343690,
author={A. {Miyazaki} and K. {Kwon} and H. {Ishibuchi} and H. {Tanaka}},
booktitle={Proceedings of 1994 IEEE 3rd International Fuzzy Systems
Conference},
title={Fuzzy regression analysis by fuzzy neural networks and its application},
year={1994},
volume={},
number={},
pages={52-57 vol.1},
keywords={statistical analysis;fuzzy neural nets;parallel architectures;learning
(artificial intelligence);fuzzy set theory;fuzzy neural networks;fuzzy
regression;membership value;input-output pair;fuzzy weights;fuzzy biases;cost
function;learning algorithm;injection moldings;architecture;Fuzzy neural
networks;Regression analysis;Level set;Fuzzy sets;Cost function;Neural
networks;Industrial engineering;Humans;Injection molding;Welding},
doi={10.1109/FUZZY.1994.343690},
ISSN={null},
month={June},}

Agrupación rápida con aplicación para

generación de reglas difusas
Resumen:
Este artículo presenta un algoritmo de agrupación basado en c-medias difuso de
muestreo aleatorio de varias etapas, que reduce significativamente el tiempo de
cálculo requerido para dividir un conjunto de datos en clases c. Se utiliza una serie de
subconjuntos del conjunto de datos completo para la clasificación con el fin de
proporcionar una aproximación a los centros de agrupación finales. La calidad de las
particiones finales es equivalente a la de las c-medias difusas. La aceleración es
normalmente un factor de 2-3 veces, lo que es especialmente significativo para
espacios de grandes dimensiones y grandes conjuntos de datos. La agrupación se ha
utilizado para generar reglas difusas para el control. En este artículo, mostramos que
el algoritmo de agrupamiento basado en c-medias difuso de muestreo aleatorio de
varias etapas se puede utilizar de manera efectiva para crear reglas difusas en el
dominio de las imágenes de resonancia magnética donde más de 60,000 patrones y 3
características o atributos son comunes.

@INPROCEEDINGS{409998,
author={ {Tai Wai Cheng} and D. B. {Goldgof} and L. O. {Hall}},
booktitle={Proceedings of 1995 IEEE International Conference on Fuzzy
Systems.},
title={Fast clustering with application to fuzzy rule generation},
year={1995},
volume={4},
number={},
pages={2289-2295 vol.4},
keywords={fuzzy logic;pattern classification;fast clustering;fuzzy rule
generation;multistage random sampling fuzzy c-means based clustering
algorithm;magnetic resonance images;Clustering algorithms;Fuzzy
sets;Convergence;Partitioning algorithms;Image sampling;Magnetic
resonance;Iterative algorithms;Application software;Computer science;Data
engineering},
doi={10.1109/FUZZY.1995.409998},
ISSN={null},
month={March},}

Implementación de hardware versus emulación

de software de algoritmos difusos en
aplicaciones reales

Resumen:
La lógica difusa se ha empleado ampliamente en muchas áreas de aplicación para la
implementación de sistemas difusos de expertos y control. La lógica difusa se ha
aplicado principalmente en el control de sistemas convencionales, como motores
eléctricos, procesos industriales o regulaciones térmicas, y hoy en día la lógica difusa
se utiliza principalmente para resolver problemas de control no lineal o en el
procesamiento de señales. Para implementar algoritmos difusos para controlar
sistemas como lavadoras, lavavajillas o aire acondicionado, que son algunas de las
aplicaciones disponibles actualmente en el mercado, se pueden utilizar dos enfoques
diferentes. En el pasado, la implementación de software de algoritmos difusos
representaba la única solución debido a la falta de procesadores difusos
dedicados. Hoy en día, la solución de hardware está disponible y muestra muchas
ventajas para una amplia gama de aplicaciones.

@INPROCEEDINGS{687450,
author={B. {Giacalone} and M. {Lo Presti} and F. {Di Marco}},
booktitle={1998 IEEE International Conference on Fuzzy Systems Proceedings.
IEEE World Congress on Computational Intelligence (Cat. No.98CH36228)},
title={Hardware implementation versus software emulation of fuzzy algorithms
in real applications},
year={1998},
volume={1},
number={},
pages={7-12 vol.1},
keywords={fuzzy control;machine control;electric
drives;microcontrollers;process control;expert systems;temperature
control;fuzzy control;software;fuzzy processors;microcontrollers;thermal
regulations;industrial process;electric drives;expert
systems;Hardware;Emulation;Fuzzy logic;Control systems;Application
software;Signal processing algorithms;Fuzzy control;Fuzzy systems;Nonlinear
control systems;Electric motors},
doi={10.1109/FUZZY.1998.687450},
ISSN={1098-7584},
month={May},}

Un código de lógica difusa de propósito general

Resumen:
Los autores presentan resultados preliminares sobre el desarrollo de un código de
desarrollo de aplicación lógica de propósito general. Se compone de dos módulos: un
generador de programas y una biblioteca de funciones de lógica difusa. El generador
de programas genera un código lógico difuso específico del problema. Permite al
usuario modificar la regla y las funciones de membresía fácilmente sin tener que
volver a escribir el código de lógica difusa. También hace que el código sea portátil en
el sentido de que puede conectarse a cualquier proceso. La biblioteca de funciones de
lógica difusa es un código que utiliza el código de lógica difusa generado. Como
ilustraciones, se presentan ejemplos de su uso en las áreas de modelado difuso y
control de procesos difusos

@INPROCEEDINGS{258748,
author={N. K. {Alang-Rashid} and A. S. {Heger}},
booktitle={[1992 Proceedings] IEEE International Conference on Fuzzy Systems},
title={A general purpose fuzzy logic code},
year={1992},
volume={},
number={},
pages={733-742},
keywords={application generators;fuzzy logic;logic programming;logic
programming;application generators;fuzzy logic code;general purpose logic
application development code;fuzzy logic function library;program
generator;membership functions;fuzzy modeling;fuzzy process control;Fuzzy
logic;Automatic programming;Libraries;Fuzzy control;Process control},
doi={10.1109/FUZZY.1992.258748},
ISSN={null},
month={March},}

FINEST: software de entorno de inferencia

difusa con ajuste
Resumen:
El proyecto de computación difusa en el Laboratorio de Investigación Internacional de
Ingeniería Difusa (LIFE) ha desarrollado FINEST (Fuzzy Inference Environment
Software with Tuning), un entorno de software para inferencia difusa con un
mecanismo para ajustar el método de inferencia, así como los predicados
difusos. Describimos las características especiales de FINEST, un ejemplo de uso y
los campos de aplicación del sistema.

@INPROCEEDINGS{410055,
author={T. {Oyama} and S. {Tano} and T. {Miyoshi} and Y. {Kato} and T. {Arnould}
and A. {Bastian} and M. {Umano}},
booktitle={Proceedings of 1995 IEEE International Conference on Fuzzy
Systems.},
title={FINEST: fuzzy inference environment software with tuning},
year={1995},
volume={5},
number={},
pages={3-4 vol.5},
keywords={programming environments;software engineering;fuzzy
systems;inference mechanisms;FINEST;fuzzy inference environment
software;tuning;International Fuzzy Engineering Research;LIFE;software
environment;fuzzy predicates;Fuzzy systems;Fuzzy reasoning;Fuzzy neural
networks;Systems engineering and theory;Application software;Software
debugging;Software design;Graphics;Mice},
doi={10.1109/FUZZY.1995.410055},
ISSN={null},
month={March},}

Análisis de la estructura relacional del gráfico

difuso y su aplicación: para analizar datos
difusos de la relación humana
Resumen:
En general, podríamos analizar eficientemente la información inexacta e investigar la
relación difusa aplicando la teoría del gráfico difuso [1]. Extenderíamos la teoría del
gráfico difuso y propondríamos un gráfico difuso de nodo difuso. Dado que un gráfico
difuso de nodo difuso es complicado de analizar, lo transformaríamos en un gráfico
difuso simple utilizando la familia de la norma T. Además, para investigar las
relaciones entre nodos, definiríamos la tabla de contingencia difusa. En este artículo,
debatiríamos sobre cinco temas, (1) la nueva norma T "Producto Uesu", (2) gráfico
difuso de nodo difuso, (3) tabla de contingencia difusa, (4) análisis de decisión del
gráfico difuso óptimo G ( λ 0 ) en la secuencia del gráfico difuso {G λ } y (5) su
aplicación al análisis de sociometría. Al utilizar la teoría del gráfico difuso del nodo
difuso, la nueva norma T y la tabla de contingencia difusa, podríamos aclarar la
estructura relacional de la información difusa. De acuerdo con el método de decisión
en la sección 2, podríamos encontrar el gráfico difuso óptimo G (λ 0 ) en la secuencia
del gráfico difuso {G λ } y aclarar la característica estructural del gráfico difuso del nodo
difuso. Además, ilustraríamos su efectividad práctica con el estudio de caso relativo al
análisis de sociometría.
@INPROCEEDINGS{6007573,
author={H. {Uesu} and K. {Nagashima} and H. {Chung} and E. {Tsuda}},
booktitle={2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE
2011)},
title={Relational structure analysis of fuzzy graph and its application: For
analyzing fuzzy data of human relation},
year={2011},
volume={},
number={},
pages={1593-1597},
keywords={fuzzy set theory;graph theory;social sciences;relational structure
analysis;analyzing fuzzy data;human relation;inexact information;fuzzy
relation;optimal fuzzy graph theory;fuzzy node;T-norm family;fuzzy contingency
table;decision analysis;fuzzy graph sequence;sociometry analysis;fuzzy
information;Conferences;Presses;Fuzzy sets;Symmetric
matrices;Transforms;Societies;Fuzzy systems;fuzzy node fuzzy graph;optimal
fuzzy graph;sociometry analysis;T-norm;contingency table},
doi={10.1109/FUZZY.2011.6007573},
ISSN={1098-7584},
month={June},}

Un enfoque para la optimización de sistemas

difusos intuitivos y de tipo 2 en aplicaciones de
reconocimiento de patrones
Resumen:
Los modelos matemáticos tradicionales funcionan con el tipo 0, lo que significa usar
números precisos en los modelos, pero desde el trabajo seminal del profesor Zadeh
en 1965, los modelos difusos tipo 1 surgieron como una forma poderosa de
representar el conocimiento humano y los fenómenos naturales. Más tarde, el
profesor Zadeh propuso modelos difusos de tipo 2 posteriores en 1975 y muchos
investigadores han estudiado y aplicado más recientemente en problemas del mundo
real. Además, como otra extensión de la lógica difusa tipo 1 original, el profesor
Atanassov propuso la lógica difusa intuitiva, que es una teoría muy poderosa por
derecho propio. Trabajos previos del autor y otros investigadores han demostrado que
ciertos problemas se pueden resolver de manera apropiada utilizando el tipo 1, y otros
mediante el intervalo de tipo 2, mientras que otros utilizando la lógica difusa
intuicionista. Los algoritmos de optimización bioinspirados y metaheurísticos se han
usado comúnmente para encontrar el diseño óptimo de modelos difusos tipo 1, tipo 2
o intuitivos para aplicaciones en control, robótica, reconocimiento de patrones,
predicción de series de tiempo, solo por mencionar algunos. Sin embargo, aún queda
la pregunta sobre si problemas aún más complejos pueden requerir tipos, órdenes o
extensiones aún mayores de modelos difusos tipo 1 para obtener mejores soluciones
a problemas del mundo real. En este documento se presenta un marco para resolver
este problema de encontrar el modelo difuso óptimo para un problema particular. Para
el autor, este es el primer trabajo en proponer un enfoque sistemático para resolver
este problema, y prevemos que en el futuro este enfoque servirá como base para
algoritmos más eficientes para la misma tarea de encontrar el sistema difuso óptimo. .

@INPROCEEDINGS{8858951,
author={O. {Castillo} and P. {Melin}},
booktitle={2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)},
title={An Approach for Optimization of Intuitionistic and Type-2 Fuzzy Systems in
Pattern Recognition Applications},
year={2019},
volume={},
number={},
pages={1-5},
keywords={fuzzy logic;fuzzy set theory;fuzzy systems;pattern recognition;time
series;type-1 fuzzy models;type-2 fuzzy models;intuitionistic fuzzy logic;interval
type-2;intuitionistic fuzzy models;optimal fuzzy system;mathematical
models;metaheuristic optimization algorithms;Pattern Recognition
Applications;time series prediction;Fuzzy systems;Fuzzy sets;Fuzzy
logic;Optimization;Uncertainty;Mathematical model;Data models;Intuitionistic
fuzzy systems;Type-2 fuzzy systems;Type-1 fuzzy systems},
doi={10.1109/FUZZ-IEEE.2019.8858951},
ISSN={1544-5615},
month={June},}

Diseño de función de membresía difusa de

intervalo tipo 2 y su aplicación a redes
neuronales de función de base radial
Resumen:
Se ha demostrado que los conjuntos difusos de tipo 2 manejan la incertidumbre de
manera más efectiva que los conjuntos difusos de tipo 1 en varias aplicaciones de
reconocimiento de patrones. Sin embargo, la computación con conjuntos difusos de
tipo 2 puede requerir una alta complejidad computacional ya que involucra numerosos
conjuntos difusos de tipo 2 integrados. Para reducir la complejidad, se pueden usar
conjuntos difusos de tipo 2 de intervalo. En este artículo, se propone un método de
diseño de membresía difusa de tipo 2 de intervalo y su aplicación a redes neuronales
de función de base radial (RBF). Las membresías difusas de tipo 1 que se calculan a
partir del centroide del intervalo de membresías difusas de tipo 2 se incorporan a la
red neuronal RBF Se muestra que la asignación de membresía propuesta mejora el
rendimiento de clasificación de la red neuronal RBF ya que la incertidumbre de los
datos del patrón es deseable controlado por membresías difusas de intervalo tipo 2.

@INPROCEEDINGS{4295680,
author={F. C. {Rhee} and B. {Choi}},
booktitle={2007 IEEE International Fuzzy Systems Conference},
title={Interval Type-2 Fuzzy Membership Function Design and its Application to
Radial Basis Function Neural Networks},
year={2007},
volume={},
number={},
pages={1-6},
keywords={computational complexity;fuzzy set theory;image
segmentation;pattern recognition;radial basis function networks;interval type-2
fuzzy membership function design;radial basis function neural networks;pattern
recognition;computational complexity;image segmentation;Fuzzy neural
networks;Radial basis function networks;Fuzzy sets;Neural networks;Fuzzy
control;Uncertainty;Pattern recognition;Computer applications;Embedded
computing;Computational complexity},
doi={10.1109/FUZZY.2007.4295680},
ISSN={1098-7584},
month={July},}

Transformación del sistema difuso TSK en

sistema difuso con consecuentes singleton y su
aplicación

@INPROCEEDINGS{793083,
author={ {Yangbum Chae} and {Kabsuk Oh} and {Wonchang Lee} and {Geuntaek
Kang}},
booktitle={FUZZ-IEEE'99. 1999 IEEE International Fuzzy Systems. Conference
Proceedings (Cat. No.99CH36315)},
title={Transformation of TSK fuzzy system into fuzzy system with singleton
consequents and its application},
year={1999},
volume={2},
number={},
pages={969-973 vol.2},
keywords={fuzzy systems;stability;fuzzy control;closed loop systems;large-scale
systems;nonlinear systems;control system synthesis;TSK fuzzy system;singleton
consequents;complex nonlinear system;fuzzy controller;singleton fuzzy
model;Fuzzy systems;Fuzzy sets;Fuzzy control;Nonlinear
systems;Stability;Closed loop systems;Application software;Nonlinear control
systems;Humans;Fuzzy logic},
doi={10.1109/FUZZY.1999.793083},
ISSN={1098-7584},
month={Aug},}

Sobre la monotonicidad del tipo 〈1,1〉

cuantificadores difusos determinados por
medidas difusas
Resumen:
En esta contribución, estudiamos una propiedad semántica muy importante de
cuantificadores generalizados llamada monotonicidad para cuantificadores difusos de
tipo 〈1,1〉 definidos usando medidas difusas y el tipo Sugeno de integrales
difusas. Mostramos que las integrales difusas pueden garantizar bajo ciertas
condiciones naturales la monotonicidad de los cuantificadores difusos. Finalmente,
proponemos el concepto de cuantificadores difusos cóncavos y demostramos que
cada cuantificador difuso cóncavo se puede expresar como la conjunción de un
cuantificador difuso no creciente y no decreciente.

@INPROCEEDINGS{6007615,
author={M. {Holčapek} and A. {Dvořák}},
booktitle={2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE
2011)},
title={On monotonicity of type 〈1,1〉 fuzzy quantifiers determined by fuzzy
measures},
year={2011},
volume={},
number={},
pages={2383-2390},
keywords={fuzzy set theory;programming language semantics;type theory;type
fuzzy quantifier;semantic property;generalized quantifier;monotonicity;fuzzy
measures;Sugeno type;fuzzy integral;concave fuzzy quantifier;Fuzzy
sets;Lattices;Extraterrestrial measurements;Polynomials;Semantics;Natural
languages;fuzzy quantifier;fuzzy measure;residuated lattice
operation;monotonicity of fuzzy quantifiers},
doi={10.1109/FUZZY.2011.6007615},
ISSN={1098-7584},
month={June},}