SISTEMAS DIFUSOS

Conceptos Bsicos
Conjuntos Difusos y su Lgica Difusa (o borrosa): La palabra fuzzy viene del ingles fuzz (tamo, pelusa, vello) y se traduce por difuso o borroso. En la actualidad es un campo de investigacin muy importante, tanto por sus implicaciones matemticas o tericas como por sus aplicaciones prcticas. Muchos conceptos que manejamos los humanos a menudo, no tienen una definicin clara: Qu es una persona alta? A partir de qu edad una persona deja de ser joven? La lgica clsica o bivaluada es demasiado restrictiva: Una afirmacin puede no ser ni VERDAD ( true) ni FALSA (false). Cundo usar la tecnologa fuzzy o difusa? En procesos complejos, si no existe un modelo de solucin sencillo. En procesos no lineales. En general, cuando se quieran representar y operar con conceptos que tengan imprecisin o incertidumbre (como en las Bases de Datos Difusas). Aplicaciones Control de sistemas: Control de trfico, control de vehculos (helicpteros), control de compuertas en plantas hidroelctricas, centrales trmicas, control en mquinas lavadoras, control de metros (mejora de su conduccin, precisin en las paradas y ahorro de energa), ascensores Prediccin y optimizacin: Prediccin de terremotos, optimizar horarios... Reconocimiento de patrones y Visin por ordenador: Seguimiento de objetos con cmara, reconocimiento de escritura manuscrita, reconocimiento de objetos, compensacin de vibraciones en la cmara. Sistemas de informacin o conocimiento: Bases de datos, sistemas expertos. Conceptos sobre Conjuntos Difusos Surgieron como una nueva forma de representar la imprecisin y la incertidumbre. Herramientas que usa: Matemticas, Probabilidad, Estadstica, Filosofa, Psicologa... Es un puente entre dos tipos de computaciones: C. Numrica: Usada en aplicaciones cientficas, por ejemplo. C. Simblica: Usada en todos los campos de la Inteligencia Artificial. Conjuntos Clsicos (crisp) Surgen de forma natural, por la necesidad del ser humano de clasificar objetos y conceptos. Conjuntos Difusos (fuzzy) Relajan la restriccin, A: X [0,1] Contexto: Es fundamental en la definicin de conjuntos difusos. Funcin de Pertenencia: Un conjunto difuso puede representarse tambin grficamente como una funcin, especialmente cuando el universo de discurso X (o dominio subyacente) es continuo (no discreto). Abcisas (eje X): Universo de discurso X. Ordenadas (eje Y): Grados de pertenecia en el intervalo [0,1].

Teorema de Representacin o Principio de Identidad Todo conj. difuso puede descomponerse en una familia de conjs. Difusos Conclusiones: Cualquier problema formulado en el marco de los conjuntos difusos puede resolverse transformando esos conjuntos difusos en su familia de -cortes anidados, determinando la solucin para cada uno usando tcnicas no difusas. Resalta que los conjuntos difusos son una generalizacin. Principio de Extensin (Extension Principle) Usado para transformar conjuntos difusos, que tengan iguales o distintos universos, segn una funcin de transformacin en esos universos. Las Funciones de Pertenencia pueden calcularse de diversas formas. El mtodo a elegir depende de la aplicacin en particular, del modo en que se manifieste la incertidumbre y en el que sta sea medida durante los experimentos. 1. Mtodo HORIZONTAL: Se basa en las respuestas de un grupo de N expertos. 2. Mtodo VERTICAL: Se escogen varios valores para a, para construir sus cortes. 3. Mtodo de Comparacin de Parejas (Saaty, 1980): Suponemos que tenemos ya el conjunto difuso A, sobre el Universo X de n valores (x1, x2, ... , xn). 4. Mtodo basado en la Especificacin del Problema: Requieren una funcin numrica que quiera ser aproximada. El error se define como un conjunto difuso: Mide la calidad de la aproximacin. 5. Mtodo basado en la Optimizacin de Parmetros: La forma de un conjunto difuso A, depende de unos parmetros, denotados por el vector p: Representado por A(x; p). 6. Mtodo basado en la Agrupacin Difusa (Fuzzy Clustering): Se trata de agrupar los objetos del Universo en grupos (solapados) cuyos niveles de pertenencia a cada grupo son vistos como grados difusos. Otras generalizaciones Pueden definirse, pero con precaucin. Es posible que el concepto que se desea representar ya se pueda representar de alguna forma ms simple ya existente. Podran construirse estructuras que sean imposibles de manejar de forma efectiva.

Operaciones con Conjuntos Difusos Operaciones: A(x), B(x) son conjuntos difusos en el universo X. Unin: (A B)(x) = A(x) B(x) = mx {A(x), B(x)} Interseccin: (A B)(x) = A(x) B(x) = mn {A(x), B(x)} Negacin (complemento a uno): (x) = A(x) = 1 A(x) Propiedades Bsicas: Conmutativa: A B = B A; A B = B A;

 Asociativa: A (B C) = (A B) C = A B C; A (B C) = (A B) C = A B C; Idempotencia: A A = A; A A = A; Distributiva: A (B C) = (A B) (A C); A (B C) = (A B) (A C); Condiciones Frontera o Lmite: A = A; A X = X; A =; A X = A; Involucin (doble negacin): (A) = A; Transitiva: A B y B C, implica A C; Conceptos derivados de Menger (1942) y Schwizer y Sklar (1983), actualmente estn muy desarrollados (Butnario et al., 1993). Establecen modelos genricos para las operaciones de unin y interseccin, las cuales deben cumplir ciertas propiedades bsicas (conmutativa, asociativa, monotonicidad y condiciones frontera) t-norma del mnimo: La funcin mn () es una t-norma, que corresponde a la operacin de interseccin en conjuntos clsicos cuyos grados de pertenencia estn en {0,1}. Por eso, esta funcin es la extensin natural de la interseccin en conjuntos difusos. t-conorma o s-norma del mximo: La funcin mx () es una s-norma, que corresponde a la operacin de unin en conjuntos clsicos cuyos grados de pertenencia estn en {0,1}. Por eso, esta funcin es la extensin natural de la unin en conjuntos difusos. t-normas y s-normas no pueden ordenarse de mayor a menor. Sin embargo, es fcil identificar la mayor y la menor t-norma y s-norma: Mayor t-norma : Funcin mnimo. Menor t-norma : Producto drstico. Mayor s-norma : Suma drstica. Menor s-norma : Funcin mximo. Medidas de Distancia (Distance Measures): Funcin binaria de distancia entre dos conjs. difusos A y B, con el mismo universo X. Medidas de Compatibilidad: Mide en que medida cierto conjunto difuso es compatible con otro (definido en el mismo espacio).

Nmeros Difusos y Probabilidad Nmeros Difusos: Expresan cantidades aproximadas. Correspondencia entre R (nmeros reales) y el intervalo unidad: R [0,1], Convexa y preferentemente de soporte acotado y normalizada. Familia de funciones L (Dubois, Prade, 1980): Funciones de pertenencia que satisfacen las siguientes propiedades: Simetra: L(x) = L( x). Normalidad: L(0) = 1. Convexidad: L(x) es no creciente en el intervalo[0,). Operaciones Aritmticas: Se basan en el Principio de Extensin (Mizumoto, Tanaka, 1976), que transforma una operacin f definida sobre dos elementos del Universo U (i.e., en UxU), en otra operacin F definida sobre dos conjuntos difusos de U.

Las probabilidades son valores numricos originalmente. Sin embargo, muchas veces se emplean Trminos Lingsticos para tratar probabilidades: alta probabilidad, muy baja, media... Esas Probabilidades Lingsticas son conjuntos difusos y, por tanto, las operaciones que se efecten con estas probabilidades darn como resultado otro conjunto difuso. Principio de Consistencia (Consistency Principle, Zadeh, 1978): Lo que es POSIBLE puede NO ser PROBABLE. Lo que es IMPROBABLE necesita ser POSIBLE. En otras palabras: El Grado de Posibilidad (o pertenencia) de cada elemento tiene que ser Mayor o Igual a su Probabilidad.

Modelos Difusos Es una Aplicacin muy til de los Conjuntos Difusos: (Bezdek, 1993; Pedrycz, 1993a, 1995; Zadeh, 1965). Su objetivo es Construir un Modelo para un determinado Sistema con las siguientes caractersticas: Operar a nivel de Trminos Lingsticos (conjuntos difusos). Representan y Procesan Incertidumbre. Es importante destacar que la definicin de las etiquetas lingsticas afectar mucho al procesamiento que efecte el modelo. El desarrollo de un modelo tiene las siguientes Fases Principales: 1. Preprocesamiento: Especificacin de las variables de entrada y de salida y el estudio del conocimiento relevante. 2. Estimacin de Parmetros: Se eligen los parmetros del sistema usando alguna tcnica de optimizacin. 3. Verificacin del Modelo: Se verifica su funcionamiento segn los datos disponibles y se cuantifica el error producido (por ejemplo, mediante la suma del cuadrado de los errores). 4. Validacin del Modelo: Se trata de asegurar que el modelo es vlido, soluciona los problemas planteados y se comporta como el usuario esperaba. Una Arquitectura General de un modelo difuso es:

Conjuntos Difusos: Forman la interfaz entre el Mdulo de Procesamiento y el entorno de una aplicacin particular. Nos permiten ver el entorno desde la perspectiva ms relevante, si escogemos un nivel de granularidad apropiado (Zadeh, 1979; Pedrycz, 1992) Codificacin/Decodificacin: Ambos mecanismos deben ser compatibles.

 Se trata de intentar conseguir un canal de comunicacin sin prdidas (lossless communication channel ): Decodificar ( Codificar(X) ) = X donde X es un fragmento de la informacin de ENTRADA. Estos problemas fueron tratados ya anteriormente. Algunos de los Tipos de Modelos ms usados son: 1. Modelo Difuso en Formato Tabular (Tabular Format): La informacin se almacena en forma de tabla (Zadeh, 1965). 2. Modelo de Ecuaciones Relacionales Difusas (Fuzzy-Relational Equations): Las dependencias entre variables del sistema son expresadas con relaciones difusas ms que con funciones (Pedrycz, 1990, 1993a). 3. Gramticas Difusas (Fuzzy Grammars): Son un conjunto de smbolos no terminales y terminales, un smbolo no terminal que sea el smbolo inicial y un elenco de producciones que tienen asociado un valor en [0,1] llamado fuerza (strength) o intensidad (Santos, 1974). 4. Modelos Difusos Locales (Local FuzzyModels): Un modelo es una coleccin de N submodelos con relevancia restringida a slo una regin del espacio de las variables de entrada X.

Control Difuso Aplicaciones de Ingeniera (Engineering Applications): Consisten en un objetivo que debe conseguirse bajo restricciones de diverso tipo (tcnicas, econmicas, sociales...). Incorporan dos tareas principales para la planificacin, organizacin y desarrollo: Anlisis y Diseo. Anlisis: Definir y comprender un problema determinado para conseguir, de forma clara y explcita, expresar: Los objetivos deseados, las restricciones y las caractersticas del comportamiento del sistema. Diseo: Idear soluciones factibles, evaluarlas y elegir entre las alternativas planteadas. Conocimiento: Resulta fundamental en la solucin de problemas de ingeniera: Adquisicin: Puede ser conocimiento bsico de ingeniera, procedimientos, experiencia y conocimiento experto. Representacin: Existen diversas formas, como son imgenes, escritura, reglas... que dependen del tipo de problema. Organizacin: Es clave para solucionar el problema eficientemente, ya que ser muy habitual la operacin de recuperacin de cierta porcin del conocimiento. Manipulacin: Engloba las tareas quizs ms importantes, pues consiste en definir los procedimientos o tcnicas que utilizarn el conocimiento almacenado Ciclo de Anlisis y Diseo usando Lgica Difusa: Anlisis: 1. Definir los Objetivos, las Restricciones y el Comportamiento del Sistema. 2. Identificar las variables de Entrada y Salida: Variables lingsticas y sus etiquetas lingsticas. 3. Definir procedimientos y criterios para la prueba y validacin. Diseo:

 4. Definir los conjuntos difusos de cada etiqueta lingstica. 5. Definir el marco de representacin de la solucin (representacin del conocimiento, reglas...). 6. Definir el marco de los procedimientos empleados (Inferencia). 7. Especificar la forma requerida de la salida del sistema (decodificacin). 8. Ejecutar pruebas para validar el sistema. 9. Verificar si la solucin es compatible con el paso 1: Refinar el Diseo: Ir al paso 4. Necesidad de Mejora: Ir al paso 1. 1. Conocimiento de Sentido Comn (Commonsense Knowledge): Es conocimiento intuitivo, fcil y rpido de obtener y de estructurar. 2. Conocimiento a travs de simulaciones interactivas con ordenador: La simulacin es un mtodo potente y flexible de adquirir conocimiento. Estructura genrica de un Controlador Difuso (presentada por Lee, 1990): Tiene 4 componentes principales (Driankov, Hellendoorn,. Reinfrank, 1993; Pedrycz, 1993; Yager, Filev, 1994): Base de Conocimiento. Sistema de Inferencia. Sistema de Codificacin. Sistema de Decodificacin. Base de Conocimiento: Contiene el conocimiento asociado al dominio de la aplicacin y los objetivos del control. Sistema de Codificacin, Difuminacin o Fuzzificacin: Obtiene los valores de las variables de entrada al controlador difuso. Convierte los datos reales (crisp) de entrada en conjuntos difusos, lo cual permite ser tratados como tales. Sistema de Inferencia: Es el ncleo del controlador difuso: Infiere las acciones de control simulando el proceso de decisin humano usando una implicacin difusa y las reglas de inferencia de la lgica difusa. Sistema de Decodificacin, Concisin o Defuzzificacin: Convierte los valores difusos de las variables de salida en valores concretos dentro del universo de discurso correspondiente. Controladores Adaptativos: Son controladores que se reajustan automticamente para adaptarse a nuevas caractersticas del proceso a controlar. Factor de Escala (FE): Las entradas y salidas del controlador pueden escalarse variando los lmites de su universo de discurso y proporcionando las etiquetas. Modificacin de los Conjuntos Difusos: Se trata de modificar la definicin de las etiquetas lingsticas. Controladores Autoorganizativos, Modificacin de las Reglas de la Base de Conocimiento: Una regla puede no ser siempre aplicable, de la misma forma. A veces es preciso modificarla para adaptarse a la situacin cambiante del sistema.

 En ocasiones, una solucin a este problema consiste en aadir una nueva variable de entrada al controlador y aadir nuevas condiciones en el antecedente de algunas reglas, basadas en la nueva variable. Existen muchas formas de modificar una regla. Por ejemplo, modificar la etiqueta lingstica de alguna variable (del antecedente o del consecuente de la regla). Efecto Ventana (Windowing Effect): Cuando la salida de un sistema de control difuso est en cierto rango, entonces se cambia el banco de reglas para conseguir mayor especificidad. Caractersticas de los Controladores Difusos (Sur, Omron, 1997): Son bastante Intuitivos: La posibilidad de usar expresiones con imprecisin genera modelos intuitivos. Tolerancia al Ruido: En general, como una salida depende de varias reglas no se ver muy afectada si se produce una perturbacin (ruido). Estabilidad: Son sistemas robustos. En caso de cada del sistema sta se produce lentamente, dando tiempo a tomar medidas. Pueden alcanzar rpidamente la estabilidad en etapas transitorias. No necesita un modelo matemtico preciso del sistema a controlar. Permiten controlar sistemas que son imposibles de controlar con los sistemas de control clsicos. Ejemplo: Pndulo Invertido (Yamakawa, 1989). Requiere gran precisin debido a las importantes restricciones temporales que existen. Permiten gran Precisin: Similar a los sistemas no difusos Polticas aplicables: Sistemas de tiempo fijo (Fixed-time systems): Se estudian diversas planificaciones segn diversas etapas del da y stas son aplicadas ciegamente en esas etapas. Requiere la actualizacin de esas polticas segn posibles cambios. Sistemas dinmicos (on-line systems): La planificacin es generada por el sistema de control dependiendo del estado actual del sistema a controlar. Esta poltica es actualizada continuamente por el controlador, el cual necesita sensores para detectar el estado del sistema (el trfico de vehculos en este caso). Mquina de Estados (State Machine): Controla el cumplimiento de la secuencia de estados obligatoria para cada semforo (rojo, amarillo, verde). Puede establecerse un estado por defecto (verde) para cuando no se detecte trfico Mdulo Adaptativo (Adaptive Module): Utiliza dos mtodos, el Mtodo Adaptativo-Estadstivo y el Mtodo Adaptativo-Difuso: Mtodo Adaptativo-Estadstivo (Statistical -Adaptive Method): El significado de las etiquetas de las Variables de Entrada depende del contexto (del nivel de trfico) en el que se apliquen.