LOGICA DIFUSA

• Razonamiento aproximado.
• Variables lingüísticas.
• Proposiciones difusas.
• Expresiones difusas if-then.
• Reglas Difusas.
• Inferencia Difusa.
• Controlador Difuso.
 Razonamiento Aproximado

• El tratamiento de la incertidumbre constituye uno de

los campos fundamentales de la inteligencia artificial,
pues afecta en mayor o menor medida a todos los
demás.
• “A medida que crece la complejidad de un sistema,
nuestra capacidad para elaborar sentencias precisas y
significativas acerca de su comportamiento disminuye,
hasta que se alcanza un umbral mas allá del cual la
precisión y la significancia se convierten en
características mutuamente exclusivas”.
(Principio de incompatibilidad)
Fuentes de incertidumbre

• Deficiencias de la información: imcompleta,

errónea, imprecisa.
• Las características propias del mundo real: no
determinista.
• Las deficiencias de los modelos que intentan
explicarlo: incompleto, inexacto.
Definición:

• Razonamiento incierto que se realiza mediante

métodos numéricos.
• Capacidad para obtener conclusiones a partir
de información incompleta o con cierto grado
de incertidumbre.
Variable Lingúistica

• Son variables cuyos valores se representan mediante

términos lingüísticos. El significado de estos términos
lingüísticos se determina mediante conjuntos difusos.
• Una variable lingüística se puede interpretar tanto
cualitativamente mediante un término lingüístico
(etiqueta: nombre del conjunto difuso), como
cuantitativamente mediante su correspondiente función
de membresía (la cual expresa el significado del
conjunto difuso).
• El término lingüístico es utilizado para expresar
conceptos y conocimiento, mientras la función de
membresía se utiliza para procesar el dato numérico de
entrada.
Ejemplo

Restricciones
Difusas
Reglas Difusas IF-THEN
 Reglas IF - THEN Difusas

• Una parte del conocimiento humano es representado en

términos de reglas IF – THEN clásicas.
• Este conocimiento también se puede hacer representar
mediante reglas IF - THEN difusas.
• Una regla IF – THEN difusa es una sentencia
condicional expresada como:

IF <proposición difusa> THEN <proposición difusa>

El antecedente describe una condición, y el

consecuente describe una conclusión.
 Proposición Difusa
• Existen dos tipos de proposiciones difusas:
– Proposición difusa atómica.
Es una sentencia simple
p: X es A
donde X es una variable lingüística y A es su valor
(conjunto difuso)
– Proposición difusa compuesta.
Se pueden formar proposiciones compuestas
realizando conjunciones o disyunciones AND/OR y
NOT de proposiciones atómicas para formar nuevas
proposiciones:
p: X1 es A1 Ʌ X2 es A2,…, Ʌ Xn es An
q: X1 es A1 v X2 es A2, … ,v Xn es An
 Proposición Difusa

• Las proposiciones difusas compuestas

pueden ser entendidas como relaciones
difusas y las Funciones de Membresía de las
relaciones difusas son calculadas usando t-
normas (intersección), s-normas (unión) y
complementos.
 Proposición Difusa

• Proposición difusa, es una expresión que

relaciona una variable lingüística con sus
etiquetas:

• Ejemplos:
– La temperatura del horno es alta.
– La presión del horno es baja.
 Reglas IF - THEN difusas
• Las reglas lingüísticas pueden provenir básicamente
de:

– La experiencia y conocimiento del diseñador sobre

la dinámica y la ingeniería de control de una planta.
– La observación de un operador humano en acción o
de la recabación de la información necesaria de
otras maneras tales como la indagación lisa y llana.
– Un modelo matemático difuso.
– Métodos de aprendizaje basados en redes
neuronales.
Ejemplos

• Si la presión es alta, entonces el volumen es pequeño.

• Si el camino es deslizadizo, entonces el conducir es

peligroso.

• Si un tomate es rojo, entonces esta maduro.

• Si la velocidad es alta, entonces aplique un pequeño

freno.
 Reglas Difusas como Relaciones

A  B  If x is A then y is B.
R

R  x, y    AB  x, y 
Una regla difusa puede ser
definida como una relación
binaria con la siguiente
función de membresía.
Reglas Difusas como Relaciones

• Esta expresión, usualmente se abrevia

como:
A → B y define una relación binaria (dos
variables) en el espacio X x Y.

• En general existen dos formas de

interpretar la regla difusa:
– A → B interpretado como A asociado con B.
– A → B interpretado como A exige B.
Reglas Difusas como Relaciones

A → B interpretado como A asociado con B.

Donde t es un operador t-norm. El más utilizado es el propuesto por

Mamdani, el cual corresponde al operador min aplicado a A y B.
Reglas Difusas como Relaciones

A → B interpretado como A exige B.

donde s es un operador s-norm y ¬A (no A) es el complemento del

conjunto difuso A.
 Razonamiento Difuso

• Obtención de conclusiones difusas a partir de

proposiciones difusas utilizando la teoría de conjuntos
difusos como principal herramienta.
• Procedimiento de inferencia que deriva conclusiones
desde un conjunto de reglas difusas del tipo y de
hechos conocidos.
• Los métodos más importantes de la lógica
proposicional clásica se conocen como:
– Modus ponens.
• Parte de los antecedentes para encontrar la consecuencia.
– Modus tollens.
• Parte de la consecuencia recíproca para determinar los
antecedentes.
 Razonamiento Difuso
• Una regla difusa, implica una relación difusa:
 Inferencia Difusa

• Dado un conjunto de reglas que relacionan una serie

de variables lingüistas y dado un conjunto de valores
iniciales (expresados como Conjunto Difuso) , el
sistema de inferencia tiene como objetivo deducir el
valor de las respuestas (expresados como Conjunto
Difuso)
• Desde un punto de vista lógico, la inferencia difusa
basada en reglas es una generalización de un
esquema de razonamiento lógico llamado modus
ponens.
Inferencia Difusa
 Inferencia Difusa

• Se pueden definir varios Antecedentes:

IF x es A and y es B and z es C THEN w es
D;

• El consecuente de las Reglas Difusa se pueden

clasificar en tres categorías:

1. Consecuente Crisp: IF …THEN y=a

donde a es un valor numérico no-difuso o
valor simbólico.
2. Consecuente Difuso: IF…THEN y es A
Donde A es un conjunto difuso.
Es más fácil de entender y mas adecuado para capturar la
experiencia humana imprecisa.

3. Consecuente Funcional:
IF x1 es A1 AND x2 es A2 AND x3 es A3 AND ...
n

…xn es An THEN y = ao + a  x
i 1
i i

Donde ao , a1 , a2 , … , an son constantes.

Puede ser utilizado para aproximar modelos no lineales
complejos utilizando un número pequeño de reglas.
Reglas para problemas planteados

• Problema A:
Reglas para problemas planteados
Reglas para problemas planteados

Problema B: Lavadora automática.

• R1: IF Cantidad de ropa es mucha AND y el

percudido de la ropa es rudo THEN el ciclo de lavado
es fuerte.
• R2: IF Cantidad de ropa es medio AND y el percudido
de la ropa es normal-rudo THEN el ciclo de lavado es
normal.
• Variables y sus funciones de membresía

 
Rudo Nrudo Nsuave Suave Poco Medio Mucho
1 1

Percudido de la ropa Cantidad de ropa


Delicado ligero Normal fuerte
1

Ciclo de lavado
Tabla de Reglas Difusas para el ciclo
de lavado
CANT. DE ROPA
Poca Medio Mucha
PERCUDIDO

Suave Delicado Ligero Normal

Normal Suave Ligero Normal Normal

Normal Rudo Ligero Normal Fuerte

Rudo Ligero Normal Fuerte

 Inferencia difusa basada en reglas

• El algoritmo consiste de tres pasos básicos y uno

opcional:

1.- Fuzzy Matching: Calcula el grado para el cual el

dato de entrada se iguala (relaciona) a la condición de
la regla difusa.
2.- Inferencia: calcula la conclusión de la regla a partir
de sus grados de relación (matching).
3.- Combinación: Combina las conclusiones inferidas
por todas las reglas difusas en una conclusión final.
4.- Defuzificación (Opcional): para aplicaciones que
necesitan una salida crisp.
 Fuzzy Matching para la conjunción
IF la Cantidad de ropa es Mucha AND el Percudido de la ropa es Rudo THEN….

 
Mucha Rudo
1 1
0.5
0.2

min
 Cantidad de Ropa Percudido Grado
 de
Normal Normal relación
1 Rudo 0.8
1
0.5

min
Cantidad de Ropa Percudido
 Inferencia: dos métodos

1. Método de recorte: Este método trunca la

altura de la función de membresía cuyos
valores sean más grandes que el grado de
relación.

2. Método de escalamiento: Este método

disminuye la función de membresía en
proporción al grado de relación.
 Inferencia Difusa
Conclusión
  difusa
“Y es A”
1 1

Consecuente Difuso Conclusión Inferida

Método de Recorte
 

1 1

Consecuente Difuso Método de EscalamientoConclusión Inferida

Combinación de Conclusiones Difusas

• Al combinar las conclusiones difusas a través de

superponer los conjuntos se aplica un operador difuso
de disyunción, max, para múltiples distribuciones de
posibilidad de la variable de salida.
Defuzzificación
 Observando los cuatro pasos juntos
del algoritmo
  
Mucha Rudo Fuerte
1 1 1 
min

 Cantidad de Ropa Percudido

 
Normal Normal Rudo Normal
Ciclo
1 min
1 1

Salida
defusificada

Cantidad de Ropa Percudido

IF la Cantidad de ropa es Mucha AND el percudido de la ropa es Rudo THEN….

Algunas implicaciones conocidas: