INTRODUCCIÓN

Hemos aprendido cómo es el esquema básico de trabajo en Prolog.

Sabemos que un programa lógico consta de una base de conocimientos donde
expresamos los hechos y reglas de deducción que aportan la información completa
acerca del mundo o dominio que deseamos representar.
Por otro lado, disponemos de un motor de inferencia que aplica un algoritmo,
concretamente el algoritmo de resolución, que permite inferir nuevos datos relativos al
mundo que estamos representando. Para ello, toma como entrada la base de
conocimientos desarrollada y el objetivo planteado y ofrece como salida un resultado
de verdadero o falso en función de si ha podido o no demostrar el objetivo según la base
de conocimientos. Además proporciona también el conjunto de sustituciones o
unificaciones para los parámetros de salida especificados en el objetivo.
El algoritmo de demostración del objetivo se basa en el uso de la técnica de back
tracking, de forma que la inferencia de dicho objetivo se realiza a base de prueba y error.
Debido a este tipo de funcionamiento, podemos notar que el control de la ejecución lo
lleva la máquina Prolog y, aparentemente, nosotros no podemos interferir en dicho
control.
El hecho de que exista este tipo de control automático supone una extraordinaria
ventaja a la hora de programar aunque, en ocasiones, también limita el funcionamiento
o la eficiencia del programa diseñado. Para solventar esta limitación, se introduce en
Prolog la posibilidad de incluir en nuestras bases de conocimientos unos predicados
especiales que tienen como misión proporcionar una herramienta, un tanto artificial,
para "controlar el control".

1.- PREDICADO CORTE:

Podemos definir el Corte como un predicado que siempre se cumple, es decir, que
genera un resultado verdadero en la primera ejecución, y falla en el proceso de back
tracking, impidiendo dicho retroceso. Su aplicación principal es generar código más
eficiente por el efecto que causa en la reducción o poda del árbol de búsqueda generado
durante el procedimiento de resolución.

Para comprender el funcionamiento de este predicado nada mejor que considerar un

par de ejemplos.

Ejemplo:
Base de conocimientos sin utilizar el Corte.

padre(juan, pepe).

padre(juan, luis).
 padre(juan, alberto).

hermanodepadre(X,Y):-padre(Z,X), padre(Z,Y).

Objetivo

?.- hermanodepadre(pepe, ana).

no

El proceso de ejecución.

Figura 1: Árbol de ejecución para la base de conocimientos y objetivo del ejemplo que no usa corte

Como se observa en el árbol de ejecución, cuando falla el segundo predicado del

consecuente, al hacer back tracking, ignoramos la solución obtenida para el primer
predicado en la rama anterior, y buscamos una nueva solución, con la esperanza de
hallar aquella que, posteriormente, satisfaga al segundo predicado. Sin embargo,
nosotros sabemos, a priori, que dicha solución no va a ser posible, porque ya hemos
demostrado que juan es el padre de Pepe y no lo es de Ana, luego ambos no son
hermanos de padre, luego, en este caso, no interesa seguir buscando nuevos padres
para pepe (esto sería absurdo e ineficiente). Por tanto, no es necesario desarrollar la
rama de retroceso representada por la línea discontinua en la Figura 1.
En la Figura 2 se muestra como queda el árbol al introducir en el código, el predicado
corte. La rama que no se procesa se representa en color gris, para que sea posible la
comparación con el ejemplo anterior.

Ejemplo:
Base de conocimientos utilizando el Corte.

padre(juan, pepe).

padre(juan, luis).

padre(juan, alberto).

hermanodepadre(X,Y):-padre(Z,X), !, padre(Z,Y).

Objetivo

?.- hermanodepadre(pepe, ana).

no

El proceso de ejecución.

Figura 2: Árbol de ejecución utilizando el corte

UTILIDAD DEL PREDICADO CORTE

Las principales utilidades del Corte se exponen en los puntos siguientes:

 Confirmación de la regla elegida. Por ejemplo, cuando calculamos el factorial,

sólo hay una posible solución para el mismo, sin embargo, desde el entorno de
programación, en la ventana de objetivos, podemos pedir una nueva solución.
En lugar de buscarla, un programa correcto debe indicar que no hay más
soluciones, aunque exista la posibilidad de realizar el procedimiento de
retroceso. La forma de construir dicho programa es mediante el uso del Corte,
es decir manejando desde la base de conocimientos el control de la
máquina Prolog.
 Ahorrar comprobaciones innecesarias, como en el caso de los ejemplos vistos en
el punto anterior.
 Parar al obtener una solución y no permitir que se generen nuevas soluciones,
aunque se lo indiquemos de modo forzado.
 Para construir la negación conjuntamente con el predicado fail, como se verá en
la sección "Implementación de la negación y predicado repeat".

2.- EL PREDICADO FAIL:

Se trata de un predicado que siempre falla, por tanto, implica la realización del proceso
de retroceso para que se generen nuevas soluciones.Una aplicación de este predicado,
entre otras que ya se han comentado en el punto anterior, es la generación de todas las
posibles soluciones para un problema.

Recordemos que cuando la máquina Prolog encuentra una solución para y devuelve el
resultado de la ejecución. Con fail podemos forzar a que no pare y siga construyendo el
árbol de búsqueda hasta que no queden más soluciones que mostrar.

Ejemplo:
Base de conocimientos.

padre(juan, pepe).

padre(juan, luis).

padre(juan, alberto).

listado:-padre(juan,X), write(X), nl, fail.

Objetivo

?.- listado.

pepe
luis
alberto
no.

El proceso de ejecución.

Figura 3: Ilustración del funcionamiento del predicado fail.

LOGICA DIFUSA

1. Historia:

Los conjuntos difusos fueron introducidos por primera vez en 1965; la creciente
disciplina de la lógica difusa provee por sí misma un medio para acoplar estas tareas. En
cierto nivel, la lógica difusa puede ser vista como un lenguaje que permite trasladar
sentencias sofisticadas en lenguaje natural a un lenguaje matemático formal. Mientras
la motivación original fue ayudar a manejar aspectos imprecisos del mundo real, la
práctica temprana de la lógica difusa permitió el desarrollo de aplicaciones prácticas.
Aparecieron numerosas publicaciones que presentaban los fundamentos básicos con
aplicaciones potenciales. Esta frase marcó una fuerte necesidad de distinguir la lógica
difusa de la teoría de probabilidad. Tal como la entendemos ahora, la teoría de
conjuntos difusos y la teoría de probabilidad tienen diferentes tipos de incertidumbre.

En 1994, la teoría de la lógica difusa se encontraba en la cumbre, pero esta idea no es

nueva, para muchos, estuvo bajo el nombre de lógica difusa durante 25 años, pero sus
orígenes se remontan hasta 2,500 años. Aún Aristóteles consideraba que existían ciertos
grados de veracidad y falsedad. Platón había considerado ya grados de pertenencia.

En el siglo XVIII el filósofo y obispo anglicano Irlandés, George Berkeley y David Hume
describieron que el núcleo de un concepto atrae conceptos similares. Hume en
particular, creía en la lógica del sentido común, el razonamiento basado en el
conocimiento que la gente adquiere en forma ordinaria mediante vivencias en el
mundo. En Alemania, Immanuel Kant, consideraba que solo los matemáticos podían
proveer definiciones claras, y muchos principios contradictorios no tenían solución. Por
ejemplo la materia podía ser dividida infinitamente y al mismo tiempo no podía ser
dividida infinitamente. Particularmente la escuela americana de la filosofía llamada
pragmatismo fundada a principios de siglo por Charles Sanders Peirce, cuyas ideas se
fundamentaron en estos conceptos, fue el primero en considerar ''vaguedades'', más
que falso o verdadero, como forma de acercamiento al mundo y a la forma en que la
gente funciona.

La idea de que la lógica produce contradicciones fue popularizada por el filósofo y

matemático británico Bertrand Russell, a principios del siglo XX. Estudio las vaguedades
del lenguaje, concluyendo con precisión que la vaguedad es un grado. El filósofo
austríaco Ludwing Wittgenstein estudió las formas en las que una palabra puede ser
empleada para muchas cosas que tienen algo en común. La primera lógica de
vaguedades fue desarrollada en 1920 por el filósofo Jan Lukasiewicz, visualizó los
conjuntos con un posible grado de pertenencia con valores de 0 y 1, después los
extendió a un número infinito de valores entre 0 y 1. En los años sesentas, Lofti Zadeh
inventó la lógica difusa, que combina los conceptos de la lógica y de los conjuntos de
Lukasiewicz mediante la definición de grados de pertenencia.
2. Introducción:

La lógica difusa (también llamada lógica borrosa) se basa en lo relativo de lo observado

como posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí. Así, por ejemplo, una persona que mida dos metros
es claramente una persona alta, si previamente se ha tomado el valor de persona baja y
se ha establecido en un metro. Ambos valores están contextualizados a personas y
referidos a una medida métrica lineal.

Básicamente la Lógica Difusa es una lógica multivariada que permite representar

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

Como indica Zadeh, “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).

3. Conceptos básicos de lógica difusa:

 Conjuntos difusos.

La mayoría de los fenómenos que encontramos cada día son imprecisos, es decir,
tienen implícito un cierto grado de difusidad en la descripción de su naturaleza. Esta
imprecisión puede estar asociada con su forma, posición, momento, color, textura,
o incluso en la semántica que describe lo que son. En muchos casos el mismo
concepto puede tener diferentes grados de imprecisión en diferentes contextos o
tiempo. Un día cálido en invierno no es exactamente lo mismo que un día cálido en
primavera. La definición exacta de cuando la temperatura va de templada a caliente
es imprecisa -no podemos identificar un punto simple de templado, así que
emigramos a un simple grado, la temperatura es ahora considerada caliente. Este
tipo de imprecisión o difusidad asociado continuamente a los fenómenos es común
en todos los campos de estudio: sociología, física, biología, finanzas, ingeniería,
oceanografía, psicología, etc.

 Conceptos imprecisos.

Aceptamos la imprecisión como una consecuencia natural de ''la forma de las cosas
en el mundo''. La dicotomía entre el rigor y la precisión del modelado matemático
en todos los campos y la intrínseca incertidumbre de ''el mundo real'' no es
generalmente aceptada por los científicos, filósofos y analistas de negocios.
Nosotros simplemente aproximamos estos eventos a funciones numéricas y
 escogemos un resultado en lugar de hacer un análisis del conocimiento empírico. Sin
embargo procesamos y entendemos de manera implícita la imprecisión de la
información fácilmente. Estamos capacitados para formular planes, tomar
decisiones y reconocer conceptos compatibles con altos niveles de vaguedad y
ambigüedad.

4. ¿Qué es la lógica difusa?

Un tipo de lógica que reconoce más que simples valores verdaderos y falsos. Con lógica
difusa, las proposiciones pueden ser representadas con grados de veracidad o falsedad.
Por ejemplo, la sentencia "hoy es un día soleado", puede ser 100% verdad si no hay
nubes, 80% verdad si hay pocas nubes, 50% verdad si existe neblina y 0% si llueve todo
el día.

La Lógica Difusa ha sido probada para ser particularmente útil en sistemas expertos y
otras aplicaciones de inteligencia artificial. Es también utilizada en algunos correctores
de voz para sugerir una lista de probables palabras a reemplazar en una mal dicha. La
Lógica Difusa, que hoy en día se encuentra en constante evolución, nació en los años 60
como la lógica del razonamiento aproximado, y en ese sentido podía considerarse una
extensión de la Lógica Multivariada. La Lógica Difusa actualmente está relacionada y
fundamentada en la teoría de los Conjuntos Difusos. Según esta teoría, el grado de
pertenencia de un elemento a un conjunto va a venir determinado por una función de
pertenencia, que puede tomar todos los valores reales comprendidos en el intervalo
[0,1].

Ejemplo de una función de pertenencia a un Conjunto Difuso.

La Lógica Difusa (llamada también Lógica Borrosa por otros autores) o Fuzzy Logic es
básicamente una lógica con múltiples valores, que permite definir valores en las áreas
oscuras entre las evaluaciones convencionales de la lógica precisa: Si / No, Cierto / Falso,
Blanco / Negro, etc. Se considera un súper conjunto de la Lógica Booleana. Con la Lógica
Difusa, las proposiciones pueden ser representadas con grados de certeza o falsedad. La
lógica tradicional de las computadoras opera con ecuaciones muy precisas y dos
respuestas: Si o no, uno o cero. Ahora, para aplicaciones de computadores muy mal
definido o sistemas vagos se emplea la Lógica Difusa.

Por medio de la Lógica Difusa pueden formularse matemáticamente nociones como un

poco calientes o muy frías, para que sean procesadas por computadoras y cuantificar
expresiones humanas vagas, tales como "Muy alto" o "luz brillante". De esa forma, es
un intento de aplicar la forma de pensar humana a la programación de los
computadores. Permite también cuantificar aquellas descripciones imprecisas que se
usan en el lenguaje y las transiciones graduales en electrodomésticos como ir de agua
sucia a agua limpia en una lavadora, lo que permite ajustar los ciclos de lavado a través
de sensores. La habilidad de la Lógica Difusa para procesar valores parciales de verdad
ha sido de gran ayuda para la ingeniería.
En general, se ha aplicado a: Sistemas expertos. Verificadores de ortografía, los cuales
sugieren una lista de palabras probables para reemplazar una palabra mal escrita.
Control de sistemas de trenes subterráneos.

Los operadores lógicos que se utilizarán en Lógica Difusa (AND, OR, etc.) se definen
también usando tablas de verdad, pero mediante un "principio de extensión" por el cual
gran parte del aparato matemático clásico existente puede ser adaptado a la
manipulación de los Conjuntos Difusos y, por tanto, a la de las variables lingüísticas.

La operación más importante para el desarrollo y creación de Reglas Lógicas es la

implicación, simbolizada por " ® " que representa el "Entonces" de las reglas heurísticas:
Si (...) Entonces ( ® ) (...).

Así, en la Lógica Difusa hay muchas maneras de definir la implicación. Se puede elegir
una "función (matemática) de implicación" distinta en cada caso para representar a la
implicación.

La última característica de los sistemas lógicos es el procedimiento de razonamiento,

que permite inferir resultados lógicos a partir de una serie de antecedentes.
Generalmente, el razonamiento lógico se basa en silogismos, en los que los
antecedentes son por un lado las proposiciones condicionales (nuestras reglas), y las
observaciones presentes por otro (serán las premisas de cada regla).

Los esquemas de razonamiento utilizados son "esquemas de razonamiento

aproximado", que intentan reproducir los esquemas mentales del cerebro humano en
el proceso de razonamiento. Estos esquemas consistirán en una generalización de los
esquemas básicos de inferencia en Lógica Binaria (silogismo clásico).

Tan importante será la selección de un esquema de razonamiento como su

representación material, ya que el objetivo final es poder desarrollar un procedimiento
analítico concreto para el diseño de controladores difusos y la toma de decisiones en
general. Una vez que dispongamos de representaciones analíticas de cada uno de los
elementos lógicos que acabamos de enumerar, estaremos en disposición de desarrollar
formalmente un controlador "heurístico" que nos permita inferir el control adecuado de
un determinado proceso en función de un conjunto de reglas "lingüísticas", definidas de
antemano tras la observación de la salida y normas de funcionamiento de éste.

5. Características

El Principio de Incompatibilidad 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 require que el conocimiento experto sea expresado lingüísticamente,
requisito que es normalmente fácil de obtener.

6.- Aplicaciones generales

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y
no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando
se envuelven definiciones y conocimiento no estrictamente definido (impreciso o
subjetivo).
En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen
solución.
Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón,
extendiéndose sus aplicaciones a multitud de campos. La primera vez que se usó de
forma importante fue en el metro japonés, con excelentes resultados. Posteriormente
se generalizó según la teoría de la incertidumbre desarrollada por el matemático y
economista español Jaume Gil Aluja.
A continuación se citan algunos ejemplos de su aplicación:
 Sistemas de control de acondicionadores de aire
 Sistemas de foco automático en cámaras fotográficas
 Electrodomésticos familiares (frigoríficos, lavadoras...)
 Optimización de sistemas de control industriales
 Sistemas de escritura
 Mejora en la eficiencia del uso de combustible en motores
 Sistemas expertos del conocimiento (simular el comportamiento de un experto
humano)
 Tecnología informática
 Bases de datos difusas: Almacenar y consultar información imprecisa. Para este
punto, por ejemplo, existe el lenguaje FSQL.
 ...y, en general, en la gran mayoría de los sistemas de control que no dependen
de un Sí/No.

7.- Lógica difusa en inteligencia artificial

La lógica difusa es una rama de la inteligencia artificial que le permite a una
computadora analizar información del mundo real en una escala entre lo falso y lo
verdadero, manipula conceptos vagos, como "caliente" o "húmedo", y permite a los
ingenieros construir dispositivos que juzgan la información difícil de definir.
En Inteligencia artificial, la lógica difusa, o lógica borrosa se utiliza para la resolución de
una variedad de problemas, principalmente los relacionados con control de procesos
industriales complejos y sistemas de decisión en general, la resolución y la compresión
de datos. Los sistemas de lógica difusa están también muy extendidos en la tecnología
cotidiana, por ejemplo en cámaras digitales, sistemas de aire acondicionado, lavar
ropas, etc. Los sistemas basados en lógica difusa imitan la forma en que toman
decisiones los humanos, con la ventaja de ser mucho más rápidos. Estos sistemas son
generalmente robustos y tolerantes a imprecisiones y ruidos en los datos de entrada.
Algunos lenguajes de programación lógica que han incorporado la lógica difusa serían
por ejemplo las diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.
Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento
humano en la programación de computadoras. Con la lógica convencional, las
computadoras pueden manipular valores estrictamente duales, como verdadero/falso,
sí/no o ligado/desligado. En la lógica difusa, se usan modelos matemáticos para
representar nociones subjetivas, como caliente/tibio/frío, para valores concretos que
puedan ser manipuladas por los ordenadores.
En este paradigma, también tiene un especial valor la variable del tiempo, ya que los
sistemas de control pueden necesitar retroalimentarse en un espacio concreto de
tiempo, pueden necesitarse datos anteriores para hacer una evaluación media de la
situación en un período anterior.

8.- Ventajas e inconvenientes

Como principal ventaja, cabe destacar los excelentes resultados que brinda un sistema
de control basado en lógica difusa: ofrece salidas de una forma veloz y precisa,
disminuyendo así las transiciones de estados fundamentales en el entorno físico que
controle. Por ejemplo, si el aire acondicionado se encendiese al llegar a la temperatura
de 30º, y la temperatura actual oscilase entre los 29º-30º, nuestro sistema de aire
acondicionado estaría encendiéndose y apagándose continuamente, con el gasto
energético que ello conllevaría. Si estuviese regulado por lógica difusa, esos 30º no
serían ningún umbral, y el sistema de control aprendería a mantener una temperatura
estable sin continuos apagados y encendidos.
También está la indecisión de decantarse bien por los expertos o bien por la tecnología
(principalmente mediante redes neuronales) para reforzar las reglas heurísticas iniciales
de cualquier sistema de control basado en este tipo de lógica.

9.- Funcionamiento
La lógica difusa (fuzzy logic, en inglés) se adapta mejor al mundo real en el que vivimos,
e incluso puede comprender y funcionar con nuestras expresiones, del tipo «hace
mucho calor», «no es muy alto», «el ritmo del corazón está un poco acelerado», etc.
La clave de esta adaptación al lenguaje se basa en comprender los cuantificadores de
cualidad para nuestras inferencias (en los ejemplos de arriba, «mucho», «muy» y «un
poco»).
En la teoría de conjuntos difusos se definen también las operaciones
de unión, intersección, diferencia, negación o complemento, y otras operaciones sobre
conjuntos (ver también subconjunto difuso), en los que se basa esta lógica.
Para cada conjunto difuso, existe asociada una función de pertenencia para sus
elementos, que indica en qué medida el elemento forma parte de ese conjunto difuso.
Las formas de las funciones de pertenencia más típicas son trapezoidal, lineal y curva.
Se basa en reglas heurísticas de la forma SI (antecedente) ENTONCES (consecuente),
donde el antecedente y el consecuente son también conjuntos difusos, ya sea puros o
resultado de operar con ellos. Sirvan como ejemplos de regla heurística para esta lógica
(nótese la importancia de las palabras «muchísimo», «drásticamente», «un poco» y
«levemente» para la lógica difusa):
 SI hace muchísimo frío. ENTONCES aumento drásticamente la temperatura.
 SI voy a llegar un poco tarde. ENTONCES aumento levemente la velocidad.
Los métodos de inferencia para esta base de reglas deben ser sencillos, versátiles y
eficientes. Los resultados de dichos métodos son un área final, fruto de un conjunto de
áreas solapadas entre sí (cada área es resultado de una regla de inferencia). Para escoger
una salida concreta a partir de tanta premisa difusa, el método más usado es el
del centroide, en el que la salida final será el centro de gravedad del área total
resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser
formuladas por expertos o bien aprendidas por el propio sistema, haciendo uso en este
caso de redes neuronales para fortalecer las futuras tomas de decisiones.
Los datos de entrada suelen ser recogidos por sensores que miden las variables de
entrada de un sistema. El motor de inferencias se basa en chips difusos, que están
aumentando exponencialmente su capacidad de procesamiento de reglas año a año.
Un esquema de funcionamiento típico para un sistema difuso podría ser de la siguiente
manera:

Funcionamiento de un sistema de control difuso.

En la figura, el sistema de control hace los cálculos con base en sus reglas heurísticas,
comentadas anteriormente. La salida final actuaría sobre el entorno físico, y los valores
sobre el entorno físico de las nuevas entradas (modificado por la salida del sistema de
control) serían tomados por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador de un coche
que se autorregula según las necesidades: Los chips difusos del climatizador recogen los
datos de entrada, que en este caso bien podrían ser la temperatura y humedad
simplemente. Estos datos se someten a las reglas del motor de inferencia (como se ha
comentado antes, de la forma SI... ENTONCES...), resultando un área de resultados. De
esa área se escogerá el centro de gravedad, proporcionándola como salida.
Dependiendo del resultado, el climatizador podría aumentar la temperatura o
disminuirla dependiendo del grado de la salida.