UNIVERSIDAD AUTONÓMA DE NUEVO LEÓN

FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA

COORDINACIÓN GENERAL DE CIENCIAS BÁSICAS

Percepción
Maestro: Dra. SUSANA VIRIDIANA GUTIERREZ MARTINEZ

Alumno: Ramos Ruiz Víctor Maximiliano

Matricula:1942794
Actividad 5
 Introducción

Las aproximaciones para los estudios de modelación han demandado y demandan en la

actualidad por nuevas abstracciones que permitan mejorar nuestras habilidades predictivas
de la naturaleza y por consiguiente procurar por un desarrollo sostenible.

La inteligencia computacional y los sistemas basados en reglas surgen como posibilidades

dentro de las actividades de análisis y modelación de los diferentes sistemas ambientales
proponiendo paradigmas de la Inteligencia Artificial tales como la Lógica Difusa, los
Sistemas Expertos y los Sistemas apoyados en Lógica y Conjuntos Difusos.

Matlab cuenta con un poderoso instrumento de modelación de Sistemas Difusos: la Caja

de Herramientas de Lógica Difusa. Esta una colección de funciones construidas en un
ambiente numérico computacional que provee herramientas para crear y editar Sistemas
Difusos de Inferencia. Esta caja tiene una interfaz gráfica que facilita visualizar el sistema,
permitiendo además, trabajar desde la línea de comandos dependiendo de la preferencia
del usuario.
 Logica difusa

La Lógica Difusa es una metodología que proporciona una manera simple de obtener una
conclusión a partir de información de entrada vaga, ambigua, imprecisa, con ruido o
incompleta. Esta metodología está basada en proposiciones que no cumplen con la ley de
la media excluida de la lógica clásica, es decir, una proposición difusa no necesariamente
es completamente falsa o completamente verdadera sino que puede tener valores
intermedios.

Conjuntos Difuso

Al igual que en los conjuntos utilizados en la lógica clásica, un conjunto difuso está definido
como la agrupación de varios elementos que poseen una característica común, pero a
diferencia de los primeros, éstos no exigen la pertenencia absoluta de un elemento, sino
que reconocen que no todos sus elementos poseen la característica en la misma magnitud.
Sin embargo, cabe anotar que un elemento puede pertenecer simultáneamente a varios
conjuntos en diferente proporción siempre y cuando la suma de sus grados de pertenencia
sea igual a la unidad

Función de Membresía

Para definir el grado de pertenencia de un elemento x a un conjunto difuso A se utiliza una

función que recibe el nombre de membresía, representada por µA(x), la cual tiene dominio
en el “Universo de Discurso”, que representa los números reales en los cuales toma valores
la variable analizada, y rango en los números reales comprendidos en el intervalo cerrado
X = [0,1] [3].

Operaciones entre Conjuntos Difusos

Al igual que en los conjuntos clásicos, en los conjuntos difusos están definidas las
operaciones intersección, unión y complemento

Variables Lingüísticas
Una variable lingüística está conformada por cuatro elementos que la describen tanto

Reglas Difusas
Las reglas difusas son parejas de argumentos con operadores lógicos y se formulan así: Si
la condición fue llevada a cabo entonces la consecuencia tiene que ser verdad. Las
expresiones lógicas son formuladas usualmente por operadores lógicos como y, o, no, etc.
 Sistemas Difusos

En un sistema Mamdani se distinguen las siguientes partes

Difusificador
La función del difusificador es transformar las entradas del sistema tipo Mamdani, que
normalmente son valores numéricos, a un “lenguaje” que el mecanismo de inferencia pueda
procesar como son los valores difusos. Los valores difusos son los niveles de pertenencia
de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha dividido el
universo de discurso de las diferentes variables de entrada al sistema.

Mecanismo de inferencia difusa

La función del sistema de inferencia es tomar los niveles de pertenencia provenientes del
difusificador y, apoyado en la base de reglas, generar la salida del sistema difuso.

Base de reglas difusas

La base de reglas es la forma en que el Sistema Difuso guarda el conocimiento experto que
le permite resolver el problema para el cual ha sido diseñado. Estas reglas son del tipo si-
entonces y tienen dos partes, el antecedente y el consecuente. En un Sistema Difuso tipo
Mamdani tanto el antecedente como el consecuente de las reglas están dados por
expresiones lingüísticas.

Difusificador:
Convierte la salida difusa del mecanismo de inferencia en una salida que pueda ser
interpretada por elementos externos que solo manipulen información numérica. La salida
del mecanismo de inferencia es un conjunto difuso y para generar la salida numérica a partir
de este conjunto existen varias opciones como el centro de gravedad y los centros
promediados, entre otros.
 Tipos de sistemas difusos

Existen cuatro tipos de sistemas difusos (Wang 1997) que son:

a) Sistema Difuso Puro

El problema principal con un Sistema Difuso Puro, es que sus entradas y salidas son
valores o términos lingüísticos representados por conjuntos difusos, mientras que, en
el campo de la ingeniería las variables de entrada y salida de un sistema son valores
numéricos.

b) Sistema Difuso Takagi-Sugeno-Kang (TSK)

La base de conocimiento del Sistema Takagi- Sugeno-Kang (TSK) usa reglas en la
forma siguiente: SI la velocidad x de un automóvil es alta ENTONCES la fuerza al
acelerador es y=cx

c) Sistema Difuso con Falsificación y Defusificación tipo Mamdani

Se agrega a la entrada el bloque de fusificación que consiste en llevar el valor
numérico de la variable de entrada a un valor difuso, a través de un conjunto difuso.
Igualmente a la salida se coloca el bloque de defusificación que transforma un
conjunto difuso resultante en un valor numérico real.

d) Sistema Sifuso con Falsificación y Fefusificación tipo Sugeno.

Usan la función de pertenencia “Singleton” o también conocida como función de pertenencia
“single Spike” como función de pertenencia de la salida. Esta función se considera como un
conjunto difuso pre- defusificado.
 Conclusión
Un sistema difuso permite afrontar situaciones con sistemas complejos que están
definidos en forma imprecisa en ocasiones con variables difíciles de medir e incluso
determinar. El objetivo de usar sistemas difusos, es poner el conocimiento humano
en los sistemas de ingeniería en una forma sistemática, eficaz y analizable. La
diversidad de aplicaciones de los sistemas difusos ha comprobado el buen
desempeño en resultados prácticos.
 Bibliografía

Méndez, Zulma C. y Villegas, Paula A.,. (Agosto 25 2005). Los Sistemas Difusos
como Herramienta de Modelación de la Producción Frutícola. 05/05/2022, de
Componentes electrónicos Ltda. Sitio web:
https://www.compelect.com.co/archivos/diamatlab/2005/pdf/Los%20Sistemas%20
Difusos%20como%20Herramienta%20de%20Modelacion%20de%20la%20Produc
cion%20Fruticola.pdf
N. Obregón. Sistemas Inteligentes en Hidroinformática, Bogotá: Foro de Ingeniería
Hidráulica ANEIC-2002, Pontificia Universidad Javeriana, 2002.
T. Mitchell, Machine Learning, Boston: McGraw-Hill, 1997.
Instituto Superior Tecnológico Jose Pardo. Tomado de Internet: (consultado
06/05/2022).
E. Amado y J. Jaramillo. Trabajo de grado: Desarrollo de un Aplicativo de
Modelación con Lógica y Conjuntos Difusos para la Zonificación de la
Susceptibilidad a la Erosión. Bogotá: Universidad Nacional de Colombia, Facultad
de Ingeniería, Departamento de Ingeniería Civil y Agrícola, Carrera de Ingeniería
Civil, 2004
H. Nguyen y E. Walter. A first course in Fuzzy Logic. Boca Raton: Chapman &
Hall/CRC, 2da. Ed., 2000.
Bellman, R. E. y Zadeh, L. A. (1970). Decision Making in a Fuzzy Environment.
Management Science. 17(4), B- 141-B-164.

Beltran, L. S. (2002). Probabilidad y Borrosidad. III Seminario Matemáticas,

Borrosidad e Interdisciplinariedad. Caracas: UCV, Comisión de Estudios
Interdisciplinarios. 4(13), 21-29.

Bisc, (2006). History; BISC During 90s. California: Berkeley, University of California,
Department of Electrical Engineering and Computer Sciences (EECS).

Black, M. (1937). Vagueness. An Exercise in Logical Analysis. Philosophy of

Science, 4(4), 427–455.