Ing.

Jhon Abel Ordoñez Ingali

 Se basa en el sentido común cuando se resuelve problemas
 La lógica difusa se basa sobre la idea de que todas las cosas admiten grados. Ej.
Los carros eléctricos no son muy rápidos,Tom es un chico muy Alto
 Fuzzy o multi-valued logic fue introducido en 1930 por Jan Lukasiewicz. El estudió
la representación matemática de la borrosidad(fuzziness) con términos como
alto,viejo, caliente. El usó un número en un intervalo para representar la
posibilidad de que la sentencia sea verdadera o falsa.Ej. La posibilidad que un
hombre de 1,81cm sea alto es 0,86
 En 1965 Lofti Zadeh, profesor y jefe del departamento de ingeniería eléctrica de la
universidad de Berkeley publicó FUZZY SETS. Se considera a Zadeh el maestro de
la lógica difusa.
 A diferencia de la lógica booleana, la lógica difusa es multivaluada. Esto se trata
con grados de membresía(membership) y grados de verdad(degrees of truth). La
lógica difusa usa números entre 0 (completamente falso) y 1(completamente
verdadero)
 El concepto de set es fundamental en
matemáticas,
 Principio de dicotomía
 Q1: Puede decir un filósofo cretense decir la verdad
cuando afirma que todos los cretenses siempre
mienten
 Boolean Logic: Es contradicción
 Fuzzy logic : el filósofo dice y no dice la verdad

 Universo del discurso : La variable la cual

estamos tratando. Ej Estatura
 Grado de pertenencia/membresía
 Membership Function
 Para un conjunto A
 El valor de u representa el grado de
pertenencia/membresía o valor de membresía/pert
 Como representar un conjunto difuso en la
computadora ?
 Es necesario contar con un reference super set
 La mayoría de aplicaciones usan funciones de ajuste lineal, por lo que los
conjuntos difusos anteriores se pueden representar de la siguiente manera:
 El universo del discurso para la variable speed puede tener valores de 0 a 200
Km/h y puede incluir subconjunto como muy lento, lento, mediano, rápido y very
fast. Cada subconjunto está tambien representado por un valor lingüístico de la
correpondiente variable lingüística
 Una variable lingüística lleva consigo el concepto de la fase de clasificación de
conjuntos difusos, denominadas coberturas(HEDGES) . Hedges son términos que
modifican las forma de los conjuntos difusos. Incluyen adverbios como muy, algo,
bastante , mas o menos y ligeramente. Los hedges pueden modificar verbos
advebios, adjetivos o incluso frases enteras. Los mas usados son :
 All purpuse modefiers, tal como muy, bastante o extremadamente
 Truth values, tal como bastante cierto o mayormente falso
 Probabilities, tal como probable o no es muy probable
 Quantifiers, tal como muchos, varios o pocos
 Possibilities, como casi imposible o bastante posible
 Los hedges producen dos tipos de efectos: concentración(intensificación) y
dilatación. Por ejemplo el hedge muy genera un nuevo subconjunto en la que se
és mas estricto. Mientras que mas o menos es algo mas permisivo.
 Very(muy) es una operación de concentración y reduce el
grado de membresía de los elementos difusos.
Matemáticamente es:
 Por ejemplo si alguien tenía un grado de 0,86, ahora tiene 0,7396

 Extremadamente: es de concetración pero reduce aún mas

el grado de membresía
 Antes 0,86 – ahora 0,6361

 Very very(muy muy) es a la potencia 4

 More or less : es una operación de dilatación
 Antes 0,86 ahora 0,9274

 Indeed (verdaderamente) es de intensificación el cual

incrementa cuando es mayor a 0,5 y reduce si es menor
 La clásica teoría de conjuntos fue desarrollada por Georg
Cantor, la cual describe las interacciones entre conjuntos.
 Complemento:

 Containment (Subconjunto):

 Intersección.
 Unión

 Conmutación:
 Asociatividad:

 Distributividad:

 Idempotencia

 Identidad

 Donde undefined es un conjunto vacío(empty) y unknown es un conjunto con todos los

grados de membresía igual a 1
 Involución:

 Transitividad:

 Leyes de Morgan
 Una operación compleja con hedges
 Se cuenta con un ser A de tall men y un set B short men. Queremos derivar a un set C: not
very tall and not very short men o un ser D: not very very tall and not very very short men
 ¿QUÉ ES UNA REGLA DIFUSA?
 Una regla difusa puede ser definida como una sentencia condicional en la forma:

 Donde x y y son variables lingüísticas y A y B son valores lingüísticos determinado por conjuntos
difusos en el universo del discurso X y Y respectivamente

 ¿CUAL ES LA DIFERENCIA ENTRE REGLAS CLÁSICAS Y DIFUSAS?

 C LÁSICA

 DIFUSO
 De lo anterior, la variable lingüística speed tiene el rango(universo del discurso)
entre 0 y 220 km/h pero incluye conjuntos difusos tales como slow, médium y
fast.El universo del discurso de la variable lingüística stopping_distance puede
ser entre 0 y 300m y puede incluir conjuntos difusos como short, médium y long.
 En sistemas expertos difusos unen las reglas y consecuentemente corta el número
de reglas por al menos 90 %.
 ¿COMO RAZONAN LAS REGLAS DIFUSAS?
 El razonamiento difuso contiene 2 partes: evaluando la regla del antecedente(la parte del
IF de la regla) e implicación o aplicando el resultado al consecuente(la parte del THEN
de la regla)
 En el razonamiento clásico si el antecedente es verdadero, entonces el consecuente
también es verdadero. En lógica difusa si el antecedente es verdadero para algún grado
de membresía entonces el consecuente es tambien verdadero para ese mismo grado
 Ejemplo

 El ejemplo se basa en la estimación del peso con la altura de un hombre.

 El valor de la salida del consecuente se estima directamente con el grado de membresía
de la entrada. Esta forma de inferencia usa el método llamado monotonic selection.
 ¿PUEDE EL ANTECEDENTE DE UNA REGLA DIFUSA TENER MÚLTIPLES PARTES?
 Como una regla de producción, una regla difusa puede tener múltiples antecedentes, por
ejemplo:

Todas las partes del antecedente son calculados simultáneamente y resueltas en un solo
número, usando las operaciones de conjuntos difusos
 ¿PUEDE EL CONSECUENTE DE UNA REGLA DIFUSA TENER MULTIPLES PARTES ?
 Si puede incluir múltiples partes
 Se define como un proceso de mapeo dado una entrada para una salida, usando la
teoría de conjuntos difusos.
 Es la técnica mas común usada en inferencia difusa. Fue postulada en 1975 por el
profesor del London Univrsity Ebrahim Mamdani.
 La inferencia de Mamdani se realiza en 4 pasos: fuzzification de las variables de
entrada, rule evaluation, agregación de la regla a las salidas y defuzzification.
 El siguiente ejemplo contiene 3 reglas:

 Donde x,y,z son Project funding, Project staffing y risk respectivamente como
variables lingüísticas; A1,A2 Y A3(inadequate,marginal y adequate) son valores
linguisticos determinados por el universo del discurso X. B1 y B2(small y large)
son valores linguisticos determinados por el universo del discurso Y. C1,C2 y C3
son valores linguisticos del universo del discurso Z.
 Step1: Fuzzyfication
El primer paso es tomar los crisp inputs x1 y y1 y determinar el grado en que estas
entradas pertenecen a cada uno de los conjuntos difusos correspondientes.
 Del ejemplo siguiente se toman como crisp input: x1=35% y1=60%
 STEP 2: RULE EVALUATION
 El segundo paso consiste en tomar los
valores fuzzyficados de la entradas
u(A1)=0,5; u(A2)=0,2; u(B1)=0,1;
u(B2)=0,7; y aplicarles los
antecedentes a las reglas difusas. Si se
tiene múltiples antecedentes se debe
operar (AND ,OR) para obtener un
simple número. Este número será
aplicado al consecuente.

 Para los software se pueden tomas las

siguientes variaciones:
 STEP 3: AGREGACIÓN A LA SALIDA
 La agregación es el proceso de unificación de las salidas de todas las reglas. Es decir
debemos llevarla a un solo conjunto difuso
 STEP 4: DEFUZZIFICATION
 El ultimo paso en el proceso de inferencia es defuzzyfication. La salida debe ser un simple
número. Se debe convertir la salida agregada a un simple número.
 ¿Cómo se defuzzyfica el conbjunto difuso agregado?
 Existen muchas técnicas, pero el mas popular es la técnica del centroide. Esto encuentre un
punto donde una línea vertical que podría cortar el conjunto agregado en 2 partes iguales.
Matemáticamente el centro de gravedad(COG) puede se expresada por:

 Esto quiere decir que se encuentra un punto que representa el centro de gravedad en un
intervalo ab.
 STEP 4: DEFUZZIFICATION
 En teoría el centro de gravedad es calculado para un conjunto de puntos continuos. Pero
en la practica se pude calcular sobre una muestra de puntos:
 Mamdani style inference calcula el centroide de una forma bidimensional. Esto no
es computacionalmente eficiente.
 Este método fue desarrollado por Michio Sugeno, considerado del Zadeh de Japón.
Introduce el termino de singleton difuso. El singleton difuso es un conjunto difuso
con una función de membresía que es unitaria en un punto particular en el
universo del discurso.
 El método de sugeno es muy parecido por a Mamdani. Sugeno cambia sólo cambia
una regla de consecuente. En vez de usar un conjunto difuso usa un función
matemática de la variable de entrada. El formato es el siguiente:

 Donde x,y,z son variables linguisticas; A,B son conjuntos difusos del universo del
conjunto X,Y. f(x,y) es una función matemática
El modelo mas usado para la inferencia es Sugeno de orden cero, el cual tiene la
siguiente forma. Donde k es una constante

Para este caso todas la funciones de membresía del consecuente son singleton
spikes
 DEFUZZIFICATION
Para la salida puede usarse el promedio de los pesos de todos los singletons

Esto dependerá del tipo de la complejidad del problema.

Mamdani es un ampliamente aceptado para capturar el conocimiento experto. Esto

permite describir la experticia de manera mas intuitiva mas parecida al humano. Sin
embargo no es la mejor manera computacional. Sugeno es mas eficiente y efectivo
con optimización y técnicas adaptivas, esto lo hace mas atractivo para problemas de
control, particularmente para sistemas no lineales.
 El proceso típico para desarrollar un sistema experto difuso incorpora los
siguientes pasos:
1. Especificar el problema y definir las variables linguisticas
2. Determinar los conjuntos difusos
3. Obtener y construir las reglas difusas
4. Codificar los conjuntos difusos, reglas difusas y procedimientos para la inferencia en el
sistema experto
5. Evaluar y ajustar el sistema