Sistemas de inferencia difusa:

parte 2

Miguel A. Melgarejo R.
Email: mmelgarejo@udistrital.edu.co

Laboratorio de Automática, Microelectrónica e Inteligencia Computacional

Facultad de Ingeniería
Universidad Distrital Francisco José de Caldas
 Contenido
• Sistemas de inferencia difusa no-singleton.

• Sistemas de inferencia difusa como mapeos no

lineales.

• Sistemas difusos como aproximadores

universales.

• Aplicaciones.
Sistemas difusos tipo uno : parte dos

SISTEMAS DIFUSOS NO SINGLETON

 Fusificación no singleton

Un fusificador no singleton es un mapeo de un valor puntual x’

en un conjunto difuso µA(x) que garantiza :

• µA(x’) = 1

• µA(x) decrece en la medida que x se aleja de x´.

 Fusificación no singleton
Fusificadores no-singleton típicos:

GAUSSIANO
TRIANGULAR
é - ( x - x´)2 ù
µ A ( x) = expê ú
ë 2s 2
û
µ A ( x) = max(0,1 - ( x - x' ) / c )

x’
x’
Fusificador gaussiano Fusificador triangular
 Fusificación no singleton
y el motor de inferencia
El calculo de una regla difusa haciendo uso del
fusificadorsingleton se computa de la siguiente
manera:
l l [
µ B ( y ) = µ G ( y ) * Tkp=1µ Q ( xkl , max ) l
k
]
µ Q ( xk ) = µ x ( xk ) * µ F ( xk )
l
k k k
l

µG ( y )
l

x
Pre-filtro
xlmax
inferencia
µ B ( y)
l
 Inferencia difusa no singleton
1.0 1.0

x1 x1
min producto

1.0 1.0

x2 x2

Se toma el valor máximo de la t-norma

entre el fusificador y la función de pertenencia
Utilidad de la fusificación no singleton

La fusificación no singleton permite reducir los efectos del

ruido (incertidumbre) en las entradas del sistema difuso.

Ruido
Sistema
x + Difuso y
Tipo uno
 Fusificaciónsingleton:
reducción de los efectos del ruido
Fusificación singleton Fusificación no singleton

1.0 1.0
0.8 0.9

x1 x x1 x

1.0 1.0
0.8
0.6

x1+ e x x1+ e x
• e es una pequeña perturbación
Originada por la fuente de ruido

Cambio MV = (0.2 / 0.8) x 100% Cambio MV = (0.1 / 0.9) x 100%

= 25% = 11%
Fusificación no singleton y modificación de las
funciones de pertenencia

• Observe que la fusificación non-singleton es

un mapeo no-lineal, del punto x1 en un valor
de pertenencia.
• Se puede calcular para todo X.
1.0 1.0 u3
u1 u2

x1 x2 x3
 La fusificación no singleton como modificador
de las funciones de pertenencia.

• El resultado del mapeo se puede considerar como

una función de pertenencia modificada.

Función de pertenencia original

Función de pertenencia
Modificada por el
1.0 Fusificador non-singleton

X
Sistemas de inferencia difusa parte dos

SISTEMAS DE INFERENCIA DIFUSA

COMO MAPEOS NO LINEALES
 El doble rol de los sistemas de
inferencia difusa
• Por un lado los sistemas de inferencia difusa son sistemas
basados en reglas construido a partir de una colección de
reglas y términos lingüísticos.

• Por otro lado los sistemas difusos son mapeos no lineales que
se pueden representar por formulas compactas.

• Así las cosas, la teoría de los sistemas difusos provee un

procedimiento sistemático para transformar un conjunto de
reglas lingüísticas en un mapeo no lineal ( una función).
 Algunos casos de interés

Sistema de inferencia difusa de N

entradas y M reglas con :
M
æ N ö
• Fusificadorsingleton å
l =1
yl çç Õ µ Al ( xi ) ÷÷
è i =1
i
ø
• T-norma producto gf (!x) = M N
• Motor de inferencia producto æ ö
• Base de reglas completa å çç Õ µ Al ( xi ) ÷÷
l =1 è i =1
i
ø
• Defusificador promedio de centros
 Algunos casos de interés

Sistema de inferencia difusa de N

entradas y M reglas con :
M
æ N ö
• Fusificadorsingleton å ylç
è
min
i =1
µ Ail
( x )
i ÷
ø
• T-norma mínimo gf (!x) = l =1M
æ N ö
• Motor de inferencia mínimo
• Base de reglas completa
å ç min
l =1 è
i =1
µ Al ( xi ) ÷
i
ø
• Defusificador promedio de centros
Sistemas de inferencia difusa tipo uno: parte dos

SISTEMAS DE INFERENCIA DIFUSA

COMO APROXIMADORES UNIVERSALES
Teorema de aproximación universal
Suponga que el universo discurso de entrada U es cerrado y
acotado en RN. Entonces, para cualquier función continua g(x)
en U y un valor e > 0 , existe un sistema difuso f(x) de la forma:

M æ N æ ( x - xl )2 ö ö
å yl ç Õ ai expç - i
l i ÷÷
l =1
ç i =1
è
ç
è s( )l 2 ÷÷
øø
!(#)
f ( x) =
i

M N æ ( x - xl )2 ö
åÕ ai expç - i
l
ç ( )
s il
i
2
÷
÷
l =1 i =1 è ø

Tal que : Sup % # − ! # < (

Aproximación universal

!(#)

%(#)

Sup ! & − % &

U
Teorema de aproximación universal
• El teorema ofrece una justificación para usar
sistemas difusos en una amplia variedad de
aplicaciones.

• Para un fenómeno de naturaleza no lineal, es

posible construir un sistema difuso que lo
aproxime (modelo) con una determinada
precisión.

• Sin embargo el teorema no muestra una posible

forma para lograr lo anterior.
 Funciones de base difusa
Expansión FBD
M
æ N ö
å
l =1
yl çç Õ µ Al ( xi ) ÷÷
è i =1
i
ø
y( x) = f s ( x) = ål =1 yl × fl ( x)
M

f (
!(#) x ) = M
æ N ö
å çç Õ µ Al ( xi ) ÷÷
l =1 è i =1
i
ø

Funciones de base difusa Õµ Ail

( xi )
fl ( x) = i =1
M
æN
ö
å çç Õ µ Al ( xi ) ÷÷
l =1 è i =1
i
ø
 Funciones de base difusa
• Típicamente las funciones de base difusa se construyen a
partir de funciones de pertenencia Gaussianas dado que
estas son continuas y derivables en todo R.

• Las funciones de base difusa son las únicas funciones

radiales que permiten incluir al tiempo reglas que vengan
de datos y reglas venidas de un análisis lingüístico.

• A partir de las funciones de base difusa Gaussianas es

posible desarrollar métodos de diseño a partir de datos. Las
aplicaciones que se pueden atacar se clasifican en tres
grandes grupos: control, clasificación y predicción.
Sistemas de inferencia difusa parte dos

APLICACIONES
 Estimación

EFBD

M æ N æ ( x - x l 2 öö
ç i ) ÷÷
å y l Õ i
ç i =1
a l
exp ç
ç
- i

( )
s l 2 ÷÷
l =1
è è øø
!(#)
f ( x) =
i

M N æ ( x - xl )2 ö
åÕ ai expç - i
l
ç s( )l
i
2
÷
÷
l =1 i =1 è i ø
 Clasificación

x2
Clase A (+1)
Clase B (-1)
Evidencia

x1 , x2, …, xN Características
x1

M æ N æ ( x - xl )2 ö ö x1
å yl ç Õ ai expç - i
l i ÷÷
l =1
ç i =1
è
ç
è ( )
s l 2 ÷÷
øø EFBD
!(#)
f ( x) =
i
y
M N æ ( x - xl )2 ö (clasificador)
åÕ ai expç - i
l
ç ( )
s l
i
2
÷
÷
x2
l =1 i =1 è i ø
 Aplicaciones: Predicción

Y(t)

M æ N æ ( x - xl )2 ö ö
å yl ç Õ ai expç - i
l i ÷÷
l =1
ç i =1
è
ç
è s( )l 2 ÷÷
øø
t !(#)
f ( x) =
i

M N æ ( x - xl )2 ö
S(t)
åÕ ai expç - i
l
ç ( )
s il
i
2
÷
÷
l =1 i =1 è ø
EFBD
( predictor)
 Identificación

Y(t)

M æ N æ ( x - xl )2 ö ö
å yl ç Õ ai expç - i
l i ÷÷
l =1
ç i =1
è
ç
è ( )
s l 2 ÷÷
øø
!(#)
f ( x) =
i

t M N æ ( x - x l 2 ö
i) ÷
åÕ ai
l
expç
ç
- i

( )
sil 2 ÷
S(t) l =1 i =1 è ø
EFBD
( Identificador)
 Observaciones
En general los cuatro problemas anteriores
requieren:

• Bases de datos para entrenamiento.

• Bases de datos de prueba.

• Un sistema de ajuste de parámetros.

 Referencias
• J. Mendel, Uncertain rule-base
fuzzylogicsystems, Prentice Hall, 200 ( Cap. 5 y
6)

• L. X. Wang, A courseonfuzzysystems and

control, Prentice Hall, 1997 ( Cap. 9 y 10)