Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Haga clic aquí para modificar. Haga clic aquí para modificar.
Fuzzy Logic
¿Qué es la lógica difusa?
Un paradigma computacional que se basa en cómo piensan los humanos
1
22/10/2023
Fuzzy Logic
¿Qué es la lógica difusa?
Fuzzy Logic
Historia de la lógica difusa
http://www.computerworld.com/news/2004/story/0,11280,95282,00.html
2
22/10/2023
Aplicaciones de muestra
En la ciudad de Sendai en Japón, un sistema de metro de 16 estaciones está
controlado por una computadora borrosa (Seiji Yasunobu y Soji Miyamoto de
Hitachi): el viaje es tan suave que los pasajeros no necesitan sujetar correas
Aplicaciones de muestra
La NASA ha estudiado el control difuso para el acoplamiento espacial
automatizado: las simulaciones muestran que un sistema de control
difuso puede reducir en gran medida el consumo de combustible
http://en.wikipedia.org/wiki/Fuzzy_system
3
22/10/2023
Aplicaciones de muestra
Para las lavadoras, el control Fuzzy Logic casi se está convirtiendo en una
característica estándar
Controladores difusos para cargar sensores de peso, mezcla de telas y suciedad y establecer
automáticamente el ciclo de lavado para el mejor uso de la energía, el agua y el detergente.
Sistemas de control
4
22/10/2023
Muestras
Un termostato doméstico toma una
entrada de temperatura y envía una
señal de control a un horno..
Image: http://en.wikipedia.org/wiki/Crankshaft
Muestra
La tabla puede decirle al controlador,
"SI la temperatura es 85, ENTONCES aumente la velocidad del ventilador del horno
a 300 RPM.”
Inconvenientes
El problema con el enfoque tabular es que la tabla puede ser muy larga, especialmente
en situaciones donde hay muchas entradas o salidas. Y eso, a su vez, puede requerir
más memoria de la que el controlador puede manejar, o más de lo que es rentable.
Los mecanismos de control tabular también pueden dar una respuesta irregular y
desigual, ya que el controlador salta de un valor basado en la tabla al siguiente.
5
22/10/2023
Desventaja
Las fórmulas pueden ser muy complejas, y su elaboración en tiempo real puede ser
más de lo que un controlador (o máquina) asequible puede gestionar.
6
22/10/2023
Los mecanismos FL también pueden dar como resultado una mayor precisión y un
control más uniforme.
7
22/10/2023
18
8
22/10/2023
p.ej. angulo
p.ej. fuerza
Evaluación de
Fuzzificacion Defuzzificación
reglas
Navegación robotizada
obstaculo
(obsx, obsy)
(x,y)
9
22/10/2023
Ángulo y distancia
PEQUEÑO
MEDIO
GRANDE
CERCA
LEJOS
MUY LEJOS
10
22/10/2023
CONTROL DIFUSO
Diferentes etapas de control difuso
Fuzzificación
Veremos un ejemplo
completo de los pasos
involucrados más adelante..
Fuzzification
Ejemplo de fuzzificación
0.0
11
22/10/2023
Cálculos Ejemplo
NITIDO Input: x = 0.25
x −a d−x
Fcero(0.25) FZE (0.25) = max min ,1, ,0
b−a d−c
Cálculos Ejemplo
Crisp Input: y = −0.25
−0.25 − (−1) 1 − (−0.25)
Fcero(-0.25) FZE (−0.25) = max min ,1, ,0
−0.25 − (−1) 1 − 0.25
12
22/10/2023
Trapecio izquierdo
Pendiente izquierda = 0
Pendiente derecha = 1 / (A - B)
a b
CASO 1: X < a
Valor de membresía= 1
CASO2: X >= b
Valor de membresía= 0
Trapecio Derecho
Pendiente izquierda = 1 / (B - A)
Pendiente derecha = 0 a b
CASO 1: X <= a
Valor de membresía= 0
CASO 2: X >= b
Valor de membresía= 1
13
22/10/2023
Pendiente izquierda = 1 / (B - A)
Pendiente derecha = 1 / (C - D)
a b c d
CASO 1: X <= a Or X >= d
Valor de membresía= 0
Fuzzy Control
Diferentes etapas de control difuso
2. Evaluación de reglas
p.ej. SI la temperatura es muy alta, LUEGO ajuste la velocidad del ventilador muy alta.
14
22/10/2023
FUZZY CONTROL
Diferentes etapas de control difuso
Las reglas difusas siempre se escriben de la siguiente forma:
Fuzzy Control
Diferentes etapas de control difuso
2. Evaluación de reglas
15
22/10/2023
Fuzzy Control
Ejemplo de evaluación de reglas
x
W2 = min FN (0.25), FZE ( −0.25) = min 0.25,1 = 0.25
N ZE P W3 = min FN (0.25), FP ( −0.25) = min 0.25, 0.25 = 0.25
W4 = min FZE (0.25), FN ( −0.25) = min 1, 0.75 = 0.75
NL NSW4 NS W7
N W1
y
ZE NS ZE PS
16
22/10/2023
Fuzzy Control
Diferentes etapas de control difuso
3. Defuzzificación
Veremos un ejemplo
completo de los pasos
involucrados más adelante.
Fuzzy Control
Ejemplo de defuzzificación
(W1 NL + W2 NS + W3 PS + W4 NS + W5 ZE + W6 PS + W7 NS + W8 PS + W9 PL)
OUTPUT = 9
W
i =1
i
=
( 0.25 (−5) + 0.25 2.5 + 0.25 2.5 + 0.75 2.5 + 1 0 + 0.25 2.5 + 0.75 2.5 + 0.75 2.5 + 0.25 5 )
( 0.25 + 0.25 + 0.25 + 0.75 + 1 + 0.25 + 0.75 + 0.75 + 0.25 )
17
22/10/2023
método de defuzzificación
Para calcular la salida de este FIS dadas las entradas, uno debe seguir seis
pasos:
EJEMPLO
Problema de péndulo invertido
18
22/10/2023
Un poste con un peso en la parte superior está montado en un carro accionado por
motor. El poste puede balancearse libremente, y el carro debe moverse hacia
adelante y hacia atrás para mantenerlo vertical..
Un controlador monitorea el ángulo y el movimiento del poste y dirige el carrito para
ejecutar los movimientos de equilibrio necesarios..
2 2
m 2 ( x + l sin )l cos − m 2 (l cos )l sin = mgl sin
t t
19
22/10/2023
Valores detectados:
X - posición del objeto con respecto al eje horizontal
- ángulo del poste con respecto al eje vertical
Valores derivados:
X’ - Velocidad a lo largo del eje x
’ - Velocidad angular
20
22/10/2023
1. SI el carro está a la izquierda Y el carro va a la izquierda LUEGO empuje el carro hacia la derecha
2. SI el carro está a la izquierda Y el carro no se mueve LUEGO empuje ligeramente el carro hacia la
derecha
3. SI el carro está a la izquierda Y el carro va a la derecha ENTONCES no empuje el carro
4. SI el carro está centrado Y el carro va hacia la izquierda LUEGO empuje ligeramente el carro hacia la
derecha
5. SI el carro está centrado Y el carro no se mueve ENTONCES no empuje el carro
6. SI el carro está centrado Y el carro va hacia la derecha LUEGO empuje ligeramente el carro hacia la
izquierda
7. SI el carro está a la derecha Y el carro va a la izquierda ENTONCES no empuje el carro
8. SI el carro está a la derecha Y el carro no se mueve ENTONCES empuje el carro a la izquierda
9. SI el carro está a la derecha Y el carro va a la derecha LUEGO empuje el carro hacia la izquierda
21
22/10/2023
PS
PS NS
NS
Reglas difusas(FAMM 2)
Base de regla difusa y la FAMM correspondiente para los vectores de
ángulo y velocidad angular del problema de equilibrio de péndulo
invertido
22
22/10/2023
3 x 3 FAMM
NS PS
Regla difusa
If La distancia está CERCA and El ángulo es PEQUEÑO Then Gire a la izquierda aguda.
Podría ser
FCERCA(Distancia) = grado de una
membresía de la distancia dada constante
en el Set Fuzzy CERCA u otra MF
FPEQUEÑO(Angulo) = grado de
pertenencia del ángulo dado en
el Fuzzy Set PEQUEÑO
23
22/10/2023
Más detalles…
• Sistemas de inferencia difusa (FIS)
• Reglas difusas
• Operadores combinados difusos
• Funciones de membresía
Inferencia difusa
La inferencia difusa es el proceso de formular el mapeo desde una entrada dada
a una salida usando lógica difusa. El mapeo luego proporciona una base a partir
de la cual se pueden tomar decisiones o discernir patrones. El proceso de
inferencia difusa involucra todas las piezas que se describen en las secciones
anteriores: Funciones de membresía, Operaciones lógicas y Reglas If-Then.
24
22/10/2023
IF Fuerza de la THEN
regla
and
xo yo
and
Xo Yo
Las reglas difusas son una colección de declaraciones lingüísticas que describen cómo el FIS
debe tomar una decisión con respecto a clasificar una entrada o controlar una salida.
Mamdani FIS
La inferencia de tipo Mamdani espera que las funciones de membresía de salida
sean conjuntos difusos. Después del proceso de agregación, hay un conjunto difuso
para cada variable de salida que necesita ser desenmascarado.
http://www.mathworks.com/access/helpdesk/help/toolbox/fuzzy/index.html?/access/helpdesk/help/toolbox/fuzzy/bp78l6_-1.html&http://www.mathworks.com/cgi-
bin/texis/webinator/search/?db=MSS&prox=page&rorder=750&rprox=750&rdfreq=500&rwfreq=500&rlead=250&sufs=0&order=r&is_summary_on=1&ResultCount=
10&query=fuzzy+logic&submitButtonName=Search
25
22/10/2023
Mamdani FIS
Mamdani FIS
26
22/10/2023
Mamdani FIS
FUNCIÓN DE MEMBRESÍA DE SALIDA
27
22/10/2023
Sugeno FIS
Sugeno FIS es similar al método Mamdani en muchos aspectos. Las dos primeras
partes del proceso de inferencia difusa, difuminar las entradas y aplicar el operador
difuso, son exactamente las mismas. La principal diferencia entre Mamdani y Sugeno
es que las funciones de membresía de salida de Sugeno son lineales o constantes.
Para un modelo Sugeno de orden cero, el nivel de salida z es una constante (a =b =0).
Sugeno FIS
28
22/10/2023
Es computacionalmente eficiente.
Se puede usar para modelar cualquier sistema de
inferencia en el que las funciones de membresía de salida
sean lineales o constantes.
Funciona bien con técnicas lineales (por ejemplo, control
PID).
Funciona bien con técnicas de optimización y adaptación.
Se ha garantizado la continuidad de la superficie de salida.
Se adapta bien al análisis matemático.
Ventajas del método Mamdani
Es intuitivo.
Tiene una amplia aceptación.
Se adapta bien al aporte humano.
Fuzzy Sets
Usaremos los siguientes conjuntos difusos para explicar los diferentes
operadores difusos que siguen a continuación.
Ejemplos:
29
22/10/2023
Combinaciones difusas(T-norms)
Al hacer una regla difusa, usamos el concepto de “and”, “or”, y algunas
veces “not”. Las secciones a continuación describen las definiciones más
comunes de estos operadores de "combinación difusa". Las
combinaciones difusas también se conocen como "normas T"
Intersección de A y B
donde μA se lee como "la membresía en la clase A" y μB se lee como "la
membresía en la clase B".
Fuzzy “and”
Hay muchas formas de calcular“and”. Las dos más comunes son:
30
22/10/2023
Fuzzy “and”
Ambas técnicas tienen las siguientes dos propiedades:
Una de las cosas buenas de ambas definiciones es que también se pueden usar
para calcular el valor booleano. “and”. El fuzzy “and” es una extensión del
booleanov“and” a números que no son solo 0 o 1, sino entre 0 y 1.
Fuzzy “or”
Fuzzy “or”
Ejemplo:
Union de A y B
31
22/10/2023
Fuzzy “or”
La "or" difusa es una extensión de la "or" booleana a
números que no son solo 0 o 1, sino entre 0 y 1.
Fuzzy “or”
Hay muchas formas de calcular“or”. Los dos más comunes son:
( x, y ) = max( x, y )
Zadeh
max(μA (x), μB (x))
simplemente calcula el "or" tomando el máximo de los dos (o más) valores
de membresía. Esta es la definición más común de la difusa "or".
( x, y ) = x + y − xy
Esta técnica utiliza la diferencia entre la suma de los dos (o más) valores de
membresía y el producto de sus valores de membresía.
32
22/10/2023
Fuzzy “or”
Otras formas de calcular Fuzzy “or”:
( x, y ) = min(1, x + y )
Disyunción de Lukasiewicz
min(1, μA (x) + μB (x))
A ( x) + B ( y ) ( x, y ) =
x + y − 2 xy
1 − xy
Disyunción de Hamacher
A ( x) + B ( x) − 2 A ( x) B ( x)
1 − A ( x) B ( x)
Fuzzy “or”
Otras formas de calcular Fuzzy “or”:
x+ y
( x, y ) =
1 + xy
Disyunción de Einstein
A ( x) + B ( x)
1 + A ( x) B ( x)
33
22/10/2023
Fuzzy “not”
NOT (A) = 1 - A
Fuzzy set A
Ejemplo:
Negacion de A
A A X
A A 0
34
22/10/2023
Consecuencia
La consecuencia de una regla difusa se calcula usando dos pasos:
IF Regla THEN
Fuerza
and
xo yo
and
Xo Yo
En este ejemplo, la "y" difusa se usa para combinar las funciones de membresía para calcular la fuerza de la regla.
Consecuencia
2 Recorte de la función de pertenencia de salida en la fuerza de la regla.
IF Regla THEN
Fuerza
and
xo yo
and
Xo Yo
En este ejemplo, la "y" difusa se usa para combinar las funciones de membresía para calcular la fuerza de la regla
35
22/10/2023
3
Consecuencia
Las salidas de todas las reglas difusas ahora deben combinarse para
obtener una distribución de salida difusa. Esto se hace usualmente, pero
no siempre, usando el difuso “or”. La siguiente figura muestra un ejemplo
de esto.
IF Regla THEN
Fuerza
Las funciones de
membresía de
and salida en el lado
derecho de la figura
xo yo se combinan
utilizando la "or"
difusa para obtener
and la distribución de
salida que se
Output
muestra en la
Input Distribucion
Distribucion esquina inferior
Xo Yo derecha de la
figura.
out
36
22/10/2023
37
22/10/2023
Funciones de membresía
La función sigmoidal
Funciones de membresía
La función gaussiana
38
22/10/2023
Funciones de membresía
La función trapezoidal
La curva trapezoidal es una función de un vector, x, y depende de cuatro
parámetros escalares a, b, c y d, según lo dado por
Los parámetros a y d ubican los "pies" del trapecio y los parámetros byc ubican los
"hombros".
80
39
22/10/2023
81
Mamdani FIS
Inferencia máxima-mínima defuzzificacion centroide para un sistema con variables de
entrada "x", "y" y "z" y una variable de salida "n". Tenga en cuenta que "mu" es la
nomenclatura estándar de lógica difusa para "valor de verdad":
http://en.wikipedia.org/wiki/Fuzzy_system
40
22/10/2023
Muestra: Mamdani
Classical Inference Engine: max-min-CG
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
Muestra: Mamdani
Classical Inference Engine: max-min-CG
Let us consider a sample input to the system, Xo = {2, 25} = {size, weight}
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
41
22/10/2023
Muestra: Mamdani
Motor de inferencia clásico: max-min-CG
Rule Base:
Usando una norma T mínima como conjuntiva, se obtienen los siguientes resultados:
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
Muestra: Mamdani
Classical Inference Engine: max-min-CG
The inference system applies the compositional rule of inference to obtain the
inferred fuzzy sets Bi’
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
42
22/10/2023
Muestra: Mamdani
Rule-firing strength hi de cada regla Ri en la Base de reglas:
Aplicación de la regla de inferencia compositiva para obtener los conjuntos difusos inferidos Bi '
Representación
grafica:
Muestra: Mamdani
Rule-firing strength hi de cada regla Ri en la Base de reglas:
Aplicación de la regla de inferencia compositiva para obtener los conjuntos difusos inferidos Bi '
Representación grafica:
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
43
22/10/2023
Muestra: Mamdani
Representación grafica:
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
Muestra: Mamdani
Representación grafica:
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
44
22/10/2023
Muestra: Mamdani
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
Muestra: Mamdani
Reference: Genetic fuzzy systems by Oscar Cordón, Francisco Herrera, Frank Hoffmann
45