Está en la página 1de 49

1

Diseño de Sistemas Borrosos (Nebulosos)
Luis Alonso Romero
Catedrático de Ciencia de la Computación e Inteligencia Artificial
Universidad de Salamanca
lalonso@usal.es
11:04 LAR CETSI Mayo 2005 2
Fundamentos de Lógica Borrosa
n Su fundamento es el lenguaje natural, donde los razonamientos
aproximados con sentencias imprecisas son habituales:
A1: Normalmente. los coches antiguos son difíciles de encontrar.
A2 : Lo difícil de encontrar suele ser caro
C1: Normalmente, los coches antiguos son caros
El silogismo anterior emplea predicados borrosos (antiguo, difícil de
encontrar, caro) y un cuantificador borroso (normalmente)
n La teoría de conjuntos borroso, base de esta Lógica, se debe a
Zadeh (1965)
2
11:04 LAR CETSI Mayo 2005 3
Conjuntos nítidos
n Un conjunto clásico, o nítido (crisp) tiene una frontera definida:
Ejemplo A = {x : x > 3 } para x en el Universo de los número naturales.
De forma que dado cualquier elemento del Universo del discurso U,
pertenece o no pertenece al conjunto.
Si definimos una función característica para cada elemento x de U:
= 1 si x ∈ A
= 0 si x ∉ A
Podemos definir A por el conjunto de pares ordenados
(x,1 ) ∀ x ∈ A
(x,0) ∀ x ∉ A
La función característica puede generalizarse a una función de pertenencia
que nos da un número entre 0 y 1
11:04 LAR CETSI Mayo 2005 4
n Si a cada elemento del Universo del Discurso se le asigna un grado
de pertenencia a un conjunto, µ
a
(x) , valor real entre 0 y 1,
tendremos definido un conjunto borroso.
n El grado de pertenencia se asigna por una función de pertenencia.
Sea x = { Números reales próximos a cero}
La función de pertenencia podría ser:
n No confundir grado de pertenencia con probabilidad, ni con medida
borrosa.
La suma de los grados de pertenencia de los elementos de U no tiene por qué ser la
unidad.
Conjuntos Borrosos I
2
10 1
1
) (
x
x
+
· µ
3
11:04 LAR CETSI Mayo 2005 5
Conjuntos borrosos II
Sea el Universo de las edades U={5,10,20,30,40,50,60,70,80}
1 1 0 0 80
1 1 0 0 70
0.8 1 0 0 60
0.6 1 0.1 0 50
0.4 1 0.2 0 40
0.2 1 0.5 0 30
0.1 0.8 0.8 0 20
0 0 1 0 10
0 0 1 0 5
Viejos Adultos Jóvenes Bebés Elementos
11:04 LAR CETSI Mayo 2005 6
nSets with fuzzy boundaries
Heights
5’10’’ 6’2’’
.5
.9
1.0
4
11:04 LAR CETSI Mayo 2005 7
Conjuntos Borrosos III
n La notación matemática es:
A = {x | µ
A
(x) } si µ
A
(x) es distinto de 0 (x se llama singleton)
Ejemplo:
bebés = {}
jóvenes = {5 | 1, 10 | 1, 20 | 0.8, 30 | 0.5 , 40 | 0.2 , 50 | 0.1 }
adultos = {20 | 0.8 , 30 | 1, 40 | 1, 50 | 1, 60 | 1, 70 | 1, 80 | 1}
viejos = {20 | 0.1, 30 | 0.2, 40 | 0.4, 50 | 0.6, 60 | 0.8, 70 | 1, 80 | 1 }
n El conjunto bebés es un conjunto borroso vacío, dentro del
Universo de edades elegido.
n Altura de un conjunto borroso es el máximo valor de
pertenencia.
n Cardinal de un conjunto borroso es la suma de los valores de
pertenencia de todos sus elementos
Cardinal (viejos) = 4.1 Cardinal(jóvenes) = 3.6
11:04 LAR CETSI Mayo 2005 8
Universos del discurso
n Los universos del discurso pueden ser
Discretos y no ordenados:
U = {Salamanca, Zamora,Bragança,Metrópolis}
A = “buena para vivir” = {Salamanca|0.8, Zamora|0.7, Bragança|07,
Metrópolis|0.1}
Discretos y ordenados:
U = {0,1,2,3,4,5,6,7,8,9,20}
A = “número sensato de hijos” = {0|0.1, 1|0.3,2|0.8,3|1,...}
Continuos:
U = R
+
posibles edades de las personas
A = “más o menos 50” = {x | µ
A
(x)}
La especificación de las
funciones de pertenencia es
bastante subjetiva.
2
) 50 ( 10 1
1
) (
− +
·
x
x
A
µ
5
11:04 LAR CETSI Mayo 2005 9
Ejemplo de conjuntos borrosos
11:04 LAR CETSI Mayo 2005 10
Definiciones básicas.
n Sea un conjunto borroso A definido sobre el universo X. Sobre A
se establecen las siguientes definiciones:
n Soporte es el conjunto de los puntos x∈X tales que µ
A
(x)>0
n Núcleo es el conjunto de los puntos x∈X tales que µ
A
(x)=1.
n Un CB A es normal si su núcleo no es vacío.
n Punto de cruce es el punto x en el que µ
A
(x)=0.5.
n “Singleton” borroso si el soporte de A es un único punto x con
µ
A
(x)=1.
n Corte α es el conjunto nítido A
α
={x : µ
A
(x)≥ α}
n Corte α fuerte es el conjunto nítido A’
α
={x : µ
A
(x)>α}
6
11:04 LAR CETSI Mayo 2005 11
Definiciones en forma gráfica
n Las definiciones anteriores en forma gráfica:
11:04 LAR CETSI Mayo 2005 12
Más definiciones básicas
n Un conjunto borroso A es convexo si, y sólo si, ∀x
1
,x
2
∈U y λ
∈[0,1]
{ } ) ( ), ( min ) ) 1 ( (
2 1 2 1
x x x x
A A A
µ µ λ λ µ ≥ − +
7
11:04 LAR CETSI Mayo 2005 13
Y más ...
n Un número borroso A es un conjunto borroso sobre la recta
real,R, que satisface las condiciones de normalidad y convexidad.
La mayoría de los conjuntos borrosos que aparecen en la literatura,
definidos sobre R, son números borrosos.
n En un CB normal y convexo, la anchura se define como la
distancia entre los dos únicos puntos de cruce
Anchura(A) = | x
1
- x
2
| donde µ
A
(x
1
) = µ
A
(x
2
) = 0.5
n Un CB es simétrico si su función de pertenencia es simétrica con
relación a un cierto punto x=c.
n Un CB es abierto a la izquierda (idem a la derecha) si :
0 ) ( lim
1 ) ( lim
·
·
+∞ →
−∞ →
x
x
A x
A x
µ
µ
11:04 LAR CETSI Mayo 2005 14
n Un conjunto borroso (CB) A es un subconjunto de otro Conjunto
Borroso B si el grado de pertenencia de cada elemento del
Universo al conjunto A es menor o igual que el del conjunto B
n Dos CB son iguales si todos los elementos del Universo tienen el
mismo grado de pertenencia en ambos CB. Son distintos en caso
contrario
{viejos} es subconjunto de {adultos}
n Por simplicidad de notación, a veces de emplea:
Operaciones básicas I
A B x x x U
A B
⊂ ⇒ ≤ ∀ ∈ µ µ ( ) ( )
( ) { }
( )


·
·

X
A
X x
A
x x A
x x A
|
|
µ
µ
Universos discretos
Universos continuos
8
11:04 LAR CETSI Mayo 2005 15
Operaciones Básicas II
n Complemento de un CB, A, con respecto al Universo del discurso, es el
CB obtenido al asignar a a cada elemento del Universo el complementario
a 1 de su grado de pertenencia en A.
{Complemento de viejos} = {no viejos} = {5|1, 10|1,20|0.9,...60|0.2}
n Unión de dos CB,” A o B”, es el CB obtenido asignando a cada elemento
del Universo el máximo valor de su grado de pertenencia a cualquiera de
los dos conjuntos.
n Intersección de dos CB, “A y B”,es el CB obtenido asignando a cada
elemento del Universo el mínimo valor de su grado de pertenencia a
cualquiera de los dos conjuntos.
{jóvenes o viejos} = { 5|1, 10|1,.....80|1}
{jóvenes y viejos} = {20|0.1, 30|0.2,...50| 0.1}
n Es fácil comprobar que las operaciones anteriores incluyen, como casos
particulares, a las convencionales.
11:04 LAR CETSI Mayo 2005 16
Otras definiciones del complemento borroso
N a
a
sa
s
( ) ·

+
1
1
Sugeno :
N a a
w
w w
( ) ( )
/
· − 1
1
Yager :
9
11:04 LAR CETSI Mayo 2005 17
Ejemplos de operaciones básicas
11:04 LAR CETSI Mayo 2005 18
Normas triangulares (T-norm)
n La intersección de dos CB, A y B, puede definirse de un modo más
general mediante la norma triangular T(µ
A
, µ
B
):
n Requisitos básicos de una T-norma:
Frontera: T(0, 0) = 0, T(a, 1) = T(1, a) = a
Monotonicidad: T(a, b) < T(c, d) si a < c y b < d
Conmutatividad: T(a, b) = T(b, a)
Asociatividad: T(a, T(b, c)) = T(T(a, b), c)
n Ejemplos de T-normas :
Minimo: T(µ
A
, µ
B
) = min(µ
A
, µ
B
) Es el empleado habitualmente
Producto: Ta(µ
A
, µ
B
) = µ
A
µ
B
Producto acotado: Tb(µ
A
, µ
B
) = max (0 , (µ
A

B
–1))
……
10
11:04 LAR CETSI Mayo 2005 19
Co-normas triangulares (S-normas)
n La unión de dos CB, A y B, puede definirse de un modo más
general mediante la co-norma triangular S(µ
A
, µ
B
):
n Requisitos básicos de S(µ
A
, µ
B
) :
Frontera: S(1, 1) = 1, S(a, 0) = S(0, a) = a
Monotonicidad: S(a, b) < S(c, d) si a < c y b < d
Conmutatividad: S(a, b) = S(b, a)
Asociatividad: S(a, S(b, c)) = S(S(a, b), c)
n Ejemplos de S-normas:
Maximo: S(µ
A
, µ
B
) = max(µ
A
, µ
B
) Es el empleado habitualmente
Suma: Sa(µ
A
, µ
B
) = µ
A
+ µ
B
Suma acotada:Sb(µ
A
, µ
B
) = min (1 , (µ
A

B
))
Drastic sum: Sd(a, b)
11:04 LAR CETSI Mayo 2005 20
Operaciones Básicas III
n Son posibles definiciones más generales, con grados de
pertenencia no restringidos al intervalo [0,1].
n Una forma alternativa es representar los grados de pertenencia:
0
0,2
0,4
0,6
0,8
1
5 10 20 30 40 50 60 70 80
11
11:04 LAR CETSI Mayo 2005 21
Operaciones Básicas IV
n Producto Cartesiano de dos CB, AxB, definidos sobre Universos
distintos:
n Co-Producto Cartesiano de dos CB, AxB, definidos sobre
Universos distintos:
Ejemplo: Sobre V={Estaturas de personas} definimos el conjunto
{medios} = { 160|0.5, 170 |1, 180 |0.5}. El producto cartesiano
{jovenes x medios} = { (5,160)|0.5, (5,170)|1,....(50,180)|0.1}
{jovenes + medios} = { (5,160)|1, (5,170)|1,....(50,180)|0.5}
} , ), ( ), ( min( ) , ( | ) , {( V y U x y x y x y x AxB
B A AxB
∈ ∀ ∈ ∀ · · µ µ µ
} , ), ( ), ( max( ) , ( | ) , {( V y U x y x y x y x B A
B A B A
∈ ∀ ∈ ∀ · · +
+
µ µ µ
11:04 LAR CETSI Mayo 2005 22
Variables lingüisticas
n En la práctica, cuando el universo del discurso X es continuo, se
suele partir en varios conjuntos borrosos que “recubren” X de una
forma más o menos continua.
n Estos conjuntos borrosos suelen llevar adjetivos que aparecen en
el lenguaje natural.
Ej : Si T = {temperaturas}, podemos tener conjunto borrosos de
temperaturas bajas, medias y altas.
n Estos adjetivos se llaman “valores linguisticos” o “etiquetas
linguisticas”. Y al universo del discurso se le llama “variable
lingüística”
12
11:04 LAR CETSI Mayo 2005 23
Tipos de funciones de pertenencia
11:04 LAR CETSI Mayo 2005 24
Funciones de pertenencia gráficas
13
11:04 LAR CETSI Mayo 2005 25
Funciones de pertenencia sigmoideas
11:04 LAR CETSI Mayo 2005 26
Funciones de pertenencia L-R
14
11:04 LAR CETSI Mayo 2005 27
Funciones de pertenencia 2D: extensión cilíndrica
11:04 LAR CETSI Mayo 2005 28
Funciones de pertenencia 2D: proyecciones
15
11:04 LAR CETSI Mayo 2005 29
Principio de extensión
n Sea f una función de U a V y A un CB sobre U:
n El principio de extensión establece que la imagen del conjunto borroso A
por la correspondencia f() es el conjunto borroso B
n Donde y
i
= f(x
i
), i=1,2,...n . En caso de que f() sea una correspondencia
muchos a uno (puede haber más de una x con la misma imagen y)
entonces
{ } ) ( | ),... ( | ), ( |
2 2 1 1 n A n A A
x x x x x x A µ µ µ ·
{ } ) ( | ),... ( | ), ( | ) (
2 2 1 1 n A n A A
x y x y x y A f B µ µ µ · ·
)) ( ( max ) (
) (
1
x y
A
y f x
B
µ µ

·
·
11:04 LAR CETSI Mayo 2005 30
Ejemplo del principio de extensión
n Sea A={-2|0.1, -1|0.4, 0|0.8, 1|0.9, 2|0.3)
n Y f(x) = x
2
– 3
n Aplicando el principio de extensión tendremos :
B = { 1|0.1, -2|0.4, -3|0.8, -2|0.9, 1|0.3 }
Que al aplicar la ley del máximo queda
B = {-3|0.8, -2|0.9, 1|0.3 }
n Si el CB A estuviese definido sobre un universo del discurso
continuo, se aplicaría un procedimiento similar.
16
11:04 LAR CETSI Mayo 2005 31
Relaciones Borrosas I
n Dados n Universos, continuos o discretos, U
1
,...U
n
, una relación
borrosa R viene definida por un grado de pertenencia asignado a
cada elemento del producto cartesiano de los Universos.
Ejemplo: U
1
= U
2
= {números reales}, podemos definir la relación borrosa
“próximo” por
µ
R
(x,y) = 1/(1 + 10(x -y)
2
)
n Si n=2, tenemos una relación borrosa binaria, R(U
1
,U
2
)
Ejemplo: Sea U
1
= { Valladolid, La Coruña, Palencia}
U
2
= { Salamanca, Burgos } y R = “lejanas”
La “matriz borrosa” , R() es
1 . 0 4 . 0
1 8 . 0
3 . 0 2 . 0
11:04 LAR CETSI Mayo 2005 32
17
11:04 LAR CETSI Mayo 2005 33
Relaciones Borrosas II
n Dominio de una relación borrosa binaria R(U,V) es el conjunto
borroso domR(U,V) que asigna a cada elemento del conjunto
origen U el máximo grado de relación con cualquiera de los
elementos de V.
Ej: domR(U,V)= {Valladolid|0.3, La Coruña|1, Palencia|0.4}
n Rango tiene una definición análoga a la de dominio , pero
intercambiando U y V
Ej : ranR(U,V) = {Salamanca|0.8, Burgos|1}
n Todas las operaciones sobre conjuntos borrosos pueden aplicarse
sobre relaciones borrosas: unión, intersección etc.
11:04 LAR CETSI Mayo 2005 34
Relaciones Borrosas III
n Composición de relaciones: Dados U,V y W, y dos relaciones
borrosas P(U,V) y Q(V,W), se define la relación compuesta PoQ :
R(U,W) = P(U,V)oQ(V,W) =
[(x,z) | µ
PoQ
(x,z) = max
V
[min(µ
P
(x,y), µ
Q
(y,z) ]
También llamado composición max-min.
Ej : U=(primavera, verano, otoño, invierno}
V={calor, frío} W={camisa, jersey, abrigo}
P(U,V) = {en la estación U se siente V}
Q(V,W) = { si se siente V se usa W}
Y las matrices P, Q y PoQ son:
P ·
¸
¸

_
,

¸
¸

_
,

¸
¸

_
,

0 8 0 2
1 0
0 2 08
0 1
08 02 0
0 02 08
0 8 0 2 0 2
0 8 0 2 0
0 2 0 2 08
0 0 2 08
. .
. .
. .
. .
. . .
. .
. . .
. .
Q = PoQ =
18
11:04 LAR CETSI Mayo 2005 35
Relaciones borrosas IV
n A veces se define la composición max-producto como
[(x,z) | µ
PoQ
(x,z) = max
V
[(µ
P
(x,y) µ
Q
(y,z) )]
11:04 LAR CETSI Mayo 2005 36
Principio de incompatibilidad
n Formulado por Zadeh(1975) :
“ A medida que aumenta la complejidad de un sistema, nuestra capacidad de
establecer sentencias precisas y significativas va disminuyendo hasta que se
alcanza un umbral a partir del cual la precisión y el significado se convierten en
características mutuamente exclusivas”.
n Este principio dio lugar al concepto de variable lingüística, como
alternativa al modelado del razonamiento humano:
n Una variable lingüística es la quíntupla (x,T(x),U,G,M) donde
- x es el nombre de la variable.
- T(x) es el conjunto de términos o valores linguísticos.
- U es el universo del discurso.
- G es una regla sintáctica que genera los términos en T(x)
- M es una regla semántica que asocia cada valor lingüístico A con su significado
M(A) , donde M(A) es un conjunto borroso en U.
19
11:04 LAR CETSI Mayo 2005 37
Ejemplo de variable linguística
n Sea x = edad de las personas.
n U = [0,120]
n T(x) = {bebé, niño, joven, adulto, de media edad, anciano,...}
n G especifica la forma en que se generan los valores en T(x)
n M representa la forma de cada uno de los conjuntos borrosos
asociados a los valores bebé, niño, etc.
11:04 LAR CETSI Mayo 2005 38
Valores linguisticos
20
11:04 LAR CETSI Mayo 2005 39
Lógica Borrosa vs. tradicional
n En la lógica clásica, una proposición puede tomar los valores 0 o 1.
En la lógica borrosa, los valores semánticos son conjuntos
borrosos dentro del intervalo [0,1], con lo cual cada proposición
tiene grados de pertenencia a los llamados “valores de verdad
linguisticos”. Ejemplo: muy cierto, cierto, falso, muy falso, etc.
n En Lógica Borrosa, los predicados pueden ser concretos, como en
la convencional, o borrosos (Ejemplo: barato, joven, alto, ...).
n La lógica clásica solamente admite dos cuantificadores : el
Universal (para todo) y el existencial (existe al menos). En Lógica
Borrosa se admiten, además, cuantificadores borrosos como
“muchos”, “pocos”, que pueden considerarse como números
borrosos o predicados de segundo orden.
11:04 LAR CETSI Mayo 2005 40
Lógica Borrosa vs. Tradicional II
n En Lógica Borrosa se admiten modificadores de predicados, como
“muy”, “casi”, etc. Si a cada modificador se le asigna un operador,
se pueden realizar cálculos con variables linguisticas, cuyos
valores son palabras o sentencias en lenguaje natural. Este es un
concepto clave en las aplicaciones a determinados campos, como
el Control.
Ejemplo: temperatura : “muy baja”, “baja”, “normal”, “alta”, “muy alta”
presión, edad, estatura, tamaño, etc
n La Lógica Borrosa parece adecuada para la representación del
conocimiento, al menos parcialmente (Lenguaje Natural).
n Problema abierto: la aproximación linguistica, es decir, la
traducción a una expresión linguistica de un conjunto borroso
obtenido como resultado de una inferencia.
21
11:04 LAR CETSI Mayo 2005 41
Lógica Borrosa vs. Tradicional III
n La Lógica Borrosa proporciona un mecanismo apropiado de
inferencia, basado en expresar las premisas y conclusiones en
forma canónica.
Premisa = restricción sobre una variable
Conclusión = restricción calculada como propagación de restricciones.
n Dado que en Lógica Borrosa con existe el concepto de “sentencia
válida”, no puede establecerse un sistema axiomático y, por tanto,
tampoco tiene sentido hablar de “completitud” ni de “consistencia”.
Por ello, algunos autores niegan que la Lógica Borrosa sea, ni
siquiera una Lógica.
n Por ahora, la única defensa es el pragmatismo: es un formalismo
que permite modelar situaciones y construir sistemas de inferencia
que son imposibles con otras Lógicas.
11:04 LAR CETSI Mayo 2005 42
Sentencias Borrosas
n En Lógica Borrosa se trabaja con sentencias obtenidas enlazando
predicados, con las mismas reglas de formación que en la lógica de
predicados:
Conectivas básicas : disyunción, conjunción y condicional
Modificadores: además de la negación, existen una serie de modificadores
liguisticos, cuya semántica se puede formalizar: “muy”,”en torno a”,..
En la lógica clásica, la interpretación de una sentencia tiene como resultado un valor
de verdad, V o F. En lógica borrosa este resultado es un valor de verdad, entre 0
y 1, pero que puede estar referido a una interpretación de verdad, o falsedad, o
media verdad, etc. Por simplicidad, nos referiremos con α al grado de verdad de
una sentencia.
n Seguiremos el modelo de semántica de lenguaje natural propuesto
por Zadeh.
22
11:04 LAR CETSI Mayo 2005 43
Interpretación de sentencias simples I
n En este modelo, el significado de una palabra se considera igual a un
conjunto formado por elementos de un universo U, que normalmente se
restringe a un contexto. Por ejemplo, conjunto de olores, plantas,...
n Todo predicado monádico representa una propiedad. (temperatura
alta). Si consideramos el conjunto de predicados monádicos de un
lenguaje natural, podemos considerar que existe una medida para cada
elemento del universo y predicado que expresa el grado de
correspondencia entre ellos, es decir, su relación semántica.
n Significado de un predicado monádico es el conjunto borroso formado
por todas las relaciones semánticas del predicado con los elementos
del universo.
Ejemplo: Sea U = {Universo de los números naturales}
predicado 1 : “números pequeños”
predicado 2 : “números grandes”
11:04 LAR CETSI Mayo 2005 44
Interpretación de sentencias simples II
µ
µ
p
g
x
x
x
x
x
x
x
( )
.
( )
·
+
·




¹
'
¹
¹
¹
¹
;
¹
¹
¹
1
1 01
0 1000
1000
999
1000
Los conjuntos borrosos asociados a esta interpretacion son :
P= {numeros naturales pequeños} G={numeros naturales grandes}
Por ejemplo:
la sentencia "5 es un numero natural pequeño" tiene una grado de verdad de 2/ 3.
la sentencia "1005 es un numero natural grande" tiene un grado de verdad de 5/ 6
23
11:04 LAR CETSI Mayo 2005 45
Interpretación de sentencias simples III
n Dado un predicado monádico al que se ha asociado un conjunto
borroso A, que representa su significado, a la interpretación
verdadera de una sentencia simple se le asocia el valor de verdad
µ
A
(x), grado de pertenencia del elemento x al conjunto A:
I(A(x)) = µ
A
(x) = α
n Cuando el sujeto x no pertenece al universo U sobre el que se ha
definido el predicado, es preciso hacer una correspondencia entre
x y algún elemento de U, llamada paso a forma canónica.
Ejemplo: “Juan es joven” : para interpretar esta sentencia, con el conjunto
borroso “joven” dado antes, es preciso conocer la edad de Juan. La
sentencia, en forma canónica, sería : “La edad de Juan es la de una
persona joven”. Si Juan tiene 30 años, la interpretación de la s entencia
es 0.5.
11:04 LAR CETSI Mayo 2005 46
Interpretación de sentencias simples IV
n En el caso de Universos discretos, es posible que al pasar a la forma
canónica no exista ningún elemento de U asociado a x. En este caso, la
solución es, más o menos, arbitraria.
Ejemplo: Si la edad de Juan fuese de 25 años. Se puede considerar que es
análoga a 20, o 30, o bien, interpolar los valores de verdad.
n Significado de un predicado n-ario es la relación borrosa formada por
todas la relaciones semánticas del predicado correspondiente con las
tuplas formadas por los elementos de los universos. Así, si n=2:
I(R(x,y)) = µ
R
(x,y) = α
Ejemplo: E={primavera, verano, otoño, invierno} S={calor,frío}
Con la relación borrosa definida por la matriz:
I(“en otoño se siente calor”) = 0.6
0 7 0 4
1 0
0 6 0 5
0 1 1
. .
. .
.
24
11:04 LAR CETSI Mayo 2005 47
Interpretación de sentencias compuestas I
n Como a cada predicado se ha asociado un conjunto, o relación,
borroso a la conjunción y disyunción de predicados se les puede
asociar también un conjunto, o relación, borrosos obtenidos por la
misma operación.
n Regla de disyunción:
n Regla de conjunción:
I A x B y
A
x
B
y x U y V ( ( ) ( )) max( ( ) , ( )); , ∨ · ∀ ∈ ∀ ∈ µ µ
I A x B y
A
x
B
y x U y V ( ( ) ( )) mi n( ( ), ( )); , ∧ · ∀ ∈ ∀ ∈ µ µ si los predicados son independientes
= min en caso contrario
11:04 LAR CETSI Mayo 2005 48
Interpretación de sentencias compuestas II
n Es obvio que si los dos predicados están definidos sobre un mismo
universo, la regla de disyunción conduce a la operación de Unión
de Conjuntos (S-norma), y la de conjunción a la de intersección (T-
norma).
Ej. Sobre el Universo de estaturas definamos el conjunto borroso:
{estatura media}={160|0.5, 170|1,180|0.5}
La sentencia “Juan es joven o de estatura media”, si la edad de Juan es 20 y la
altura es 180, tiene un interpretación = max(0.8,0.5) = 0.8
I(“Juan es joven y de estatura media”) = min( 0.8,0.5) = 0.5
n Para interpretar la sentencia condicional hay varias alternativas
I A x B y x y x x U y V
I A x B y x y x U y V
I A x B y x y x U y V
A B A
A B
A B
( ( ) ( )) max(min( ( ), ( )), ( )); ,
( ( ) ( )) mi n( ( ), ( )); ,
( ( ) ( )) ( ) ( ); ,
→ · − ∀ ∈ ∀ ∈
→ · ∀ ∈ ∀ ∈
→ · ∀ ∈ ∀ ∈
µ µ µ
µ µ
µ µ
1 (Zadeh)
(Man dani)
(Larsen)
25
11:04 LAR CETSI Mayo 2005 49
Interpretación de sentencias compuestas III
n La sentencia condicional ampliada “Si ... entonces ..., si no ...”
puede intepretarse como:
Ej: “Si Juan es de estatura media entonces es joven, si no es viejo”=
max(min(0.5,0.8),min(1-0.5,0.1))= 0.5
n Las reglas anteriores son extensibles a predicados diádicos y
combinaciones monádicos-diádicos:
I(A(x) -->R(y,z)) = min(µ
A
(x), µ
R
(y,z)
I A x B y A x C z I A B I A C
A
x
B
y
A
x
C
z
(( ( ) ( )) ( ( ) ( )) max( ( ), ( ))
max(min( ( ), ( )),min( ( ), ( ))
→ ∧ ¬ → · → ¬ → ·
· − µ µ µ µ 1
11:04 LAR CETSI Mayo 2005 50
Modificadores Lingüisticos
n Los modificadores como “muy”, “casi”, “más o menos”, pueden
modelarse como operaciones sobre la función de pertenencia. Los
siguientes modelos se deben a V.Novak:
Negación: NEG(µ(x)) = 1 - µ(x)
Concentración: CON(µ(x)) = µ(x) µ(x) “muy”
Dilatación: DIL(µ(x)) = 2 µ(x)- µ(x) µ(x) “más o menos”
Intensificación: INT(µ(x)) = 2 µ(x) µ(x) si µ(x)<0.5
1 -2(1- µ(x))
2
si µ(x) >0.5 “bastante”
Ej: I(“Juan es muy joven”) = 0.8*0.8 = 0.64
I(“Juan es bastante joven”) = 1 -2(0.2)(0.2) = 0.92
I(“Juan no es joven”) = 1 - 0.8 = 0.2
n Análogamente se pueden modelar modificadores como “hiper”,
“normalmente”,”casi”, etc
26
11:04 LAR CETSI Mayo 2005 51
Ejemplo de modificadores
11:04 LAR CETSI Mayo 2005 52
Reglas Básicas de Inferencia I
n Posibles clasificaciones del razonamiento:
Categórico: las premisas no contienen cuantificadores borrosos.
Disposicional: una, o más, premisas pueden contener el cuantificador
borroso “normalmente”:
Normalmente, los mamíferos tienen pelo
Los mamíferos maman de pequeños
-----> Normalmente, los mamíferos tienen pelo y maman ....
Silogístico : las premisas contienen cualquier cuantificador borroso.
La mayoría de los estudiantes son solteros.
Algo más de la mitad de los estudiantes solteros fuman....
Cualitativo: el problema se modela mediante un conjunto de relaciones
borrosas del tipo “si ...entonces...”
Si la temperatura es alta y la presión es muy baja, entonces abrir
un poco la válvula.
27
11:04 LAR CETSI Mayo 2005 53
Reglas Básicas de Inferencia II
n Las reglas de inferencia en Lógica Borrosa constituyen la base del
llamado Razonamiento Aproximado.
n Regla de la Herencia.(Entailment)- Si el CB A, asociado a un
predicado, es un subconjunto del CB B, cualquier elemento del
universo que tenga la propiedad representada por el conjunto A,
también hereda la propiedad representada por B.
Ej : Dado que {viejo} es un subconjunto de {adulto} , la sentencia “Jose es
viejo” también lleva a “Jose es adulto”
n Regla de la Intersección : Si un elemento de U tiene las
propiedades representadas pos los CB A y B, también tiene las
representadas por la intersección de A y B.
“Juan es joven” y “Juan es adulto” ---> “Juan es joven y adulto”, con
grado de verdad definido por la regla de la conjunción.
11:04 LAR CETSI Mayo 2005 54
Reglas Básicas de Inferencia III
n Regla del Producto Cartesiano o de la Conjunción: Si dos
elementos de distintos universos tienen las propiedades
representadas por los CB A y B, la pareja formada por ellos tiene el
grado de relación que le corresponde en el producto cartesiano
AxB.
“Juan es joven” y “Juan es de estatura media” ---> “Juan es joven y de
estatura media”, con grado de verdad dado por la regla de conjunción.
n Regla de la Proyección: de una pareja de elementos que cumpla
una relación borrosa, se puede concluir que el primer elemento
tiene la propiedad representada por el dominio de la relación.
Ej :Sea (Peso, Altura) dos variables borrosas y la relación (“Silueta”). Si la
silueta es “Oronda” se puede deducir que Peso es Excesivo.
28
11:04 LAR CETSI Mayo 2005 55
Reglas Básicas de Inferencia IV
n Modus Ponens Generalizado:
A(x) -->B(z)
A(x)
-----------------
B(z)
n Modus Tollens Generalizado:
A(x) --> B(z)
¬B(z)
------------------
¬A(x)
Si la temperatura es baja sube la calefacción
La temperatura es baja
---------- Sube la calefacción
Si la temperatura es baja sube la calefacción
No sube la calefacción
----------
La temperatura no es baja
11:04 LAR CETSI Mayo 2005 56
Reglas Básicas de Inferencia V
n Regla de la Composición: de un elemento que cumpla una
propiedad representada por un CB A, y que esté relacionado con
otro elemento de un universo diferente, se puede concluir que el
segundo elemento tiene la propiedad representada por la
composición de A con la relación R.
Ej: Zamora es una ciudad pequeña A={ciudades pequeñas}
Valladolid es mayor que Zamora R =“mayor que”
----> Valladolid es mayor que una ciudad pequeña
n Modus Ponendo Ponens Generalizado:
A(x)
B(x) --> C(z)
----------------
(Ao(BxC))(y)
Recordemos que en CB la negación (¬) viene
expresada por el complemento.
29
11:04 LAR CETSI Mayo 2005 57
Sistemas Borrosos. Definiciones I
n Un sistema (de control, de información, etc) es borroso cuando su
funcionamiento se basa, al menos parcialmente en la lógica
borrosa o en los conjuntos borrosos.
n Los problemas de análisis de sistemas (o toma de decisiones) más
importantes son:
Control de procesos.
Procesamiento de señal.
Diagnóstico.
Procesamiento de imagen.
Procesamiento de lenguaje natural.
Investigación Operativa.
11:04 LAR CETSI Mayo 2005 58
Sistemas Borrosos. Definiciones II
n Un problema básico de toma de decisiones (control,
reconocimiento de patrones, predicción, modelado, etc)
normalmente incluye alguno de los problemas de análisis
anteriores. Ejemplo:
n La mayoría de los sistemas borrosos hasta la fecha están en los
campos de control de procesos, procesamiento de señal o de
imágenes, diagnóstico e investigación operativa. Empiezan a
aparecer aplicaciones en los campos de medicina, economía y
ciencias sociales.
Procesamiento de señal
Control de procesos
Investigación Operativa
Toma de
decisión
Predicción
30
11:04 LAR CETSI Mayo 2005 59
Algunos ejemplos de sistemas borrosos
n Industriales:
Control de horno de cemento (Dinamarca)
Control de horno de fundición (NKK Fukoyama)
Operación automática del metro (Sundai, Japón)
Acondicionador de aire doméstico (Mitsubishi)
Lavadora (Viessmann, Fagor)
Cámara autofoco(Sanyo)
Fotocopiadora (Sanyo)
n De laboratorio:
Reconocedor de habla (NTT, Japón)
Sistema experto en medicina (Univ. California)
Control de robot autónomo (SRF, USA)
11:04 LAR CETSI Mayo 2005 60
Sistemas borrosos reales
n La mayoría de los sistemas borrosos reales:
– Son muy simples en estructura y objetivos.
– Emplean estrategias de solución basadas en reglas borrosas del tipo
– SI... ENTONCES.....
– Se aplican en una gran variedad de campos, cumpliendo los requis itos
de diseño razonablemente bien, y con ventajas sobre la solución
convencional.
n Estas tres características constituyen un punto de referencia en el
diseño de este tipo de sistemas.
31
11:04 LAR CETSI Mayo 2005 61
Futuro de los sistemas borrosos
n La evolución futura de los sistemas borrosos va por dos caminos:
a.- Aplicación de la teoría de conjuntos borrosos a disciplinas basadas en las
matemáticas: Geof ísica, Contabilidad, Finanzas, Navegación, etc
b.- Aplicación de la inferencia borrosa a disciplinas que usan lenguaje natural
como forma de expresión: Derecho, Ciencias Pol íticas, Historia, Sicología,
Criminología, Medicina, Biología, etc
n En algunos casos, la opción b constituye la única alternativa para
un tratamiento informático.
n Un tercera línea de desarrollo la constituyen los Computadores
Borrosos (Proyecto ORBE y siguientes).
11:04 LAR CETSI Mayo 2005 62
¿Qué es el diseño de un sistema borroso?
n Es la aplicación de conjuntos borrosos y/o lógica borrosa a una
solución planteada en términos no borrosos (nítidos).
n Hay tres formas de obtener una solución a un problema:
1.- Aplicando la experiencia práctica (expertize) Por ejemplo, explicar
cómo se anda en bicicleta, en lenguaje natural.
2.- Examinando conjuntos de datos y extrayendo consecuencias de ellos.
3.- Por formulación matemática cerrada.
n El objetivo del diseño es transformar el conocimiento dado en una
de estas tres formas en reglas borrosas del tipo:
SI ............ ENTONCES .................
32
11:04 LAR CETSI Mayo 2005 63
¿Qué es el diseño?
n La traducción de la experiencia en lenguaje natural a reglas
borrosas es relativamente directo.
n La extracción de reglas borrosas partiendo de datos numéricos es
el caso más complicado.
n La traducción de una expresión matemática a reglas borrosas
tampoco es trivial. Normalmente se llega a expresiones en
aritmética borrosa o a teoría de grafos borrosos (ejemplo: c-
means, agrupamiento borroso, etc).
11:04 LAR CETSI Mayo 2005 64
Etapas de diseño
Ø Obtención de la solución por el método convencional: adquisición
del conocimiento.
Ø Traducción al lenguaje de inferencia borrosa, composición de
reglas y diseño de variables borrosas.
Ø Desarrollo del algoritmo básico de inferencia borrosa: diseño de
elementos heurísticos.
Ø Simulación y prueba.
Ø Implementación.
33
11:04 LAR CETSI Mayo 2005 65
Implementación.
n Una vez que el algoritmo borroso está desarrollado, se codifica en
algún lenguaje: C, Fortran, etc
n El resultado se puede ejecutar en un computador de propósito
general o en un hardware específico, digital o analógico.
n En definitiva, todo el proceso de diseño envuelve tres funciones (o
personas):
- Experto que conoce la solución convencional.
- Especialista en lógica borrosa que lleva a acabo las etapas de diseño.
- Informático/electrónico para implementarlo.
11:04 LAR CETSI Mayo 2005 66
Algoritmos Borrosos
n El diseño de un sistema borroso implica el desarrollo de
mecanismos “borrosos” de proceso de información y toma de
decisiones sobre una plataforma digital.
n Un algoritmo borroso es un conjunto organizado de los elementos
teóricos introducidos hasta ahora, implantados en un ordenador.
n Un algoritmo borroso puede emplear métodos de inferencia
relacionales, composicionales o de implicación.
n No obstante, la forma más general del algoritmo borroso es a bas e
de reglas del tipo
SI…….. ENTONCES ……..
34
11:04 LAR CETSI Mayo 2005 67
Reglas borrosas
n Ejemplos de reglas borrosas:
11:04 LAR CETSI Mayo 2005 68
Algoritmos Borrosos II
n Un algoritmo borroso tiene el siguiente esquema general:
Datos de entrada del
mundo exterior
Algoritmo
Borroso
Datos de salida
al mundo exterior
Datos de diseño
en memoria
I(t)
O(t)
O(t) = ψ[D,I(t)]
D = { Reglas borrosas de tipo
SI ….. ENTONCES …. }
D
35
11:04 LAR CETSI Mayo 2005 69
Reglas del algoritmo borroso
n Sea :
S = Sentencia borrosa A(x), por ejemplo “La temperatura es baja”
Θ= Operadores l ógicos (AND, OR, etc)
n Las reglas borrosas de un algoritmo borroso son:
S
1,1
Θ
1,1
S
1,2
Θ
1,2
…………. S
1, k
→S
1,c
Regla 1
….. ……
S
n,1
Θ
n,1
S
n,2
Θ
n,2
…………. S
n,k
→S
n,c
Regla n
n Cada regla tiene un antecedente, o lado izquierdo, formado por la
operación de varias sentencias borrosas y un consecuente, o lado
derecho, o variable de acción.
SI la temperatura es alta y la presión es media ENTONCES bajar un
poco el caudal de combustible.
11:04 LAR CETSI Mayo 2005 70
Reglas del algoritmo borroso II
n En cada una de las sentencias del antecedente se examina una
variable lingüística de entrada (“temperatura”) y su grado de
pertenencia a un conjunto borroso (“temperaturas altas”). Esta
absorción de la entrada produce un grado de cumplimiento para
cada regla, r(t).
n Estos grados de cumplimiento producen salidas a través del
proceso de implicación (→) O
1
(t),…… O
n
t) .
n La salida de cada regla, que es un conjunto borroso, se obtiene por
medio de la operación de implicación elegida (Mandani , Larsen ,
etc) entre la funci ón de pertenencia y el grado de cumplimiento.
n De esta forma, se obtienen n conjuntos borrosos como resultado
de las n reglas borrosas.
36
11:04 LAR CETSI Mayo 2005 71
Desemborronado, Aclarado
n La agregación de dos o más conjuntos borrosos (o funciones de
pertenencia) da un nuevo conjunto borroso en el algoritmo básico
de inferencia borrosa (ABIB).
n En la mayoría de los casos, un resultado en forma de un conjunto
borroso se convierte un un resultado nítido, dado que tanto la
plataforma de trabajo como el mundo exterior suelen ser nítidos.
n Este proceso es uno de los puntos más débiles de todo el sistema.
Existen varios métodos de aclarado que dan resultados diferentes:
Métodos del Centroide Métodos del Máximo
Centro de Gravedad. Media de máximos.
Centro de Masas. Máxima posibilidad.
Centro del área más grande. Máximos izquierda-derecha.
……………...
11:04 LAR CETSI Mayo 2005 72
Ejemplo de aclarado
n Supongamos que la variable “Caudal de gas -oil” aparece en los
consecuentes de dos reglas:
Caudal de Gas-oil
µ(x)
¿Cuál es el caudal
real a ajustar ?
37
11:04 LAR CETSI Mayo 2005 73
Otro ejemplo
Aclarado por
centro de
gravedad
Consecuentes
nítidos
11:04 LAR CETSI Mayo 2005 74
Algunos tipos de aclarado
38
11:04 LAR CETSI Mayo 2005 75
Razonamiento con dos reglas
Consecuentes
nítidos
11:04 LAR CETSI Mayo 2005 76
Sistemas Borrosos Adaptables
n Si todo, o parte, de los datos de diseño (reglas borrosas) pueden cambiar en base a
algún criterio, tendremos un sistema borroso adaptable:
Datos de entrada del
mudo exterior
Algoritmo
Borroso
Datos de salida
al mundo exterior
Datos de diseño
en memoria
I(t)
O(t)
O(t) = ψ[D,D
a
(t), I(t)]
Mecanismo de
Adaptación
39
11:04 LAR CETSI Mayo 2005 77
Sistemas Borrosos Adaptables II
n Por ejemplo, se pueden cambiar las formas de las funciones de
pertenencia (caso más habitual).
n Se puede cambiar el número de conjuntos borrosos, crear nuevas
variables borrosas, emplear otros operadores de implicación y
cambiar el método de aclarado.
n En otros casos, todo el conjunto de reglas, D, se aprende de forma
automática examinando el mundo exterior (datos de entrada -
datos de salida). Para ello se emplean un cierto número de
técnicas, entre las cuales las RNA están dando muy buenos
resultados.
11:04 LAR CETSI Mayo 2005 78
Ejemplo de sistema borroso
n Sistema de control borroso.
Entrada: Temperatura y presión.
Salida: Acción de control
40
11:04 LAR CETSI Mayo 2005 79
Ejemplo de sistema borroso II
n Si p = 7 y θ = 150
n p es media (0.67) y alta(0.33)
n θ es media (0.5) y alta(0.5)
11:04 LAR CETSI Mayo 2005 80
Ejemplo de sistema borroso III
n Con los valores de presión y temperatura anteriores se disparan
las reglas 5,6,8 y 9. Las demás tienen alguna sentencia con grado
de cumplimiento nulo.
n En las dos transparencias siguientes se observa el resultado de la
implicación con la regla de Mandani (mínimo) o con la de Larsen
(producto).
n En ambos casos, la salida es un nuevo conjunto borroso obtenido
por agregación de las salidas de las reglas que se disparan.
41
11:04 LAR CETSI Mayo 2005 81
Resultados con reglas de Larsen y Mandani
11:04 LAR CETSI Mayo 2005 82
Algoritmo Básico de Inferencia Borrosa (ABIB-
I)
Datos de Entrada
Datos de Salida
Motor Borroso
de Inferencia
Procesamiento de Datos de Entrada
Evaluación de las variables lógicas
de los Antecedentes
Cálculo de la parte izquierda
de las reglas
Cálculo de los consecuentes
Procesamiento de datos de salida
1
2
3
4
5
42
11:04 LAR CETSI Mayo 2005 83
ABIB-2
n El ABIB se emplea en la mayoría de las aplicaciones vigentes,
tanto de control como de otros ámbitos.
n El requisito básico es la disponibilidad de una solución articul ada
en forma de reglas SI...... ENTONCES .......
n La inferencia se basa en el paradigma MPG (Modus Ponens
Generalizado), considerado como una transformación de los
grados de cumplimiento del lado izquierdo de las reglas a grados
de posibilidad de los lados derechos.
n Las reglas consideradas en este algoritmo básico tienen un solo
consecuente (forma canónica). Las reglas compuestas han de
traducirse previamente a forma canónica.
11:04 LAR CETSI Mayo 2005 84
Procesamiento de los datos de entrada I
n Previo a su tratamiento, existe un pre-proceso de los datos para su
validación (sintaxis, formato, rango, etc) o su transformación
(valores medios, filtrado, etc).
n Un motor borroso de inferencia puede procesar datos mixtos:
numéricos y linguísticos, dado que todos ellos se transforman en
valores de pertenencia [0..1]. Por consiguiente, el procesamient o
de los datos de entrada tiene como objetivo asegurarse de que
todos ellos están en la forma apropiada.
Datos:
números escalares,
vectores numéricos,
linguisticos,
distribuciones,
conjuntos borrosos, etc
Procesamiento Datos
Comprobados
Fase 2
43
11:04 LAR CETSI Mayo 2005 85
Procesamiento de los datos de entrada II
n Un motor de inferencias normalmente tiene varias variables de
entrada, que se conocen como conjunto de datos de entrada
(presión y temperatura en ele ejemplo anterior).
n Alguno de los datos de entrada pueden, a su vez, ser múltiples.
Por ejemplo, una secuencia de valores anteriores.
n En los casos en que el orden de los datos sea significativo se dice
que están correlados secuencialmente sobre una variable
independiente. Por ejemplo, secuencia de k valores anteriores,
perfil de temperaturas en un difusor, etc.
n En los casos en que el orden de los datos no sea significativo, se
dice que son de tipo sección cruzada.
11:04 LAR CETSI Mayo 2005 86
Ejemplo de entradas mixtas.
Datos no
borrosos
Correlados
secuencialmente
Datos borrosos
Distribuciones
44
11:04 LAR CETSI Mayo 2005 87
Paso 2: Evaluación de variables lógicas
n Una variable borrosa puede considerarse como un conjunto nítido
de conjuntos borrosos, X= {µ
1
(x), µ
2
(x),... µ
N
x)}. Al evaluar una
variable de entrada, se evalúan sus grados de pertenencia a todos
los conjuntos borrosos. El resultado es un conjunto, o vector , de
grados de pertenencia en el que cada elemento indica la
posibilidad producida por esta entrada.
Por ejemplo, en el caso de la temperatura y presión del ejemplo anterior, si p=7 y
θ = 150, tenemos para la presión (3 conjuntos borrosos) el vector {0, 0.67,
0.33} y para temperatura {0, 0.5, 0.5}.
n En algunos casos, los valores de pertenencia muy pequeños se
eliminan por alguna función de umbral, para disminuir la
complejidad computacional de las reglas.
11:04 LAR CETSI Mayo 2005 88
Paso 3: Cálculo de la parte izquierda
n Puesto que los valores de pertenencia se han obtenido en la fase
anterior, la fase 3 consiste en el cálculo de los operadores de la
parte izquierda de cada regla:
n En nuestro anterior ejemplo, la regla 5 (SI p es media Y θ es media ..)
tiene un grado de cumplimiento de ( 0.67 AND 0.5 ) = 0.5. La regla 6, (SI
p es alta y θ es media ..) tiene un grado de cumplimiento de (0.33 AND
0.5) = 0.33, etc
Valores de pertenencia
de cada sentencia
borrosa
Operadores Lógicos:
AND, OR, etc
Grado de cumplimiento
de cada regla
45
11:04 LAR CETSI Mayo 2005 89
Paso 4: Cálculo de los consecuentes.
n Si las reglas están en forma canónica, no hay más que un
consecuente por regla (Parte derecha), asociada a un grado de
cumplimiento (parte izquierda). El cálculo del consecuente puede
entonces hacerse de varias formas, como se vió: Mamdani, Larsen
etc.
Grado de cumplimiento
de cada regla
Cálculo de la
implicación
Conjuntos borrosos de
salida
11:04 LAR CETSI Mayo 2005 90
Ejemplo del paso 4
En este ejemplo hay tres reglas:
I ..... ENTONCES Y es medio
J ...... ENTONCES Y es Alto
K .... ENTONCES Y es Bajo
con los grados de cumplimiento
r indicados en la figura. Se ha
aplicado la implicación de Mamdani
46
11:04 LAR CETSI Mayo 2005 91
Agregación de las salidas.
n La agregación de los conjuntos borrosos así obtenidos se hace,
normalmente, a través de la operación de unión de conjuntos. Así,
en el ejemplo anterior, se obtiene un nuevo conjunto borroso:
11:04 LAR CETSI Mayo 2005 92
Paso 5: Procesamiento los datos de salida.
n El último paso es la generación de las salidas de forma que se
puedan usar en aplicaciones prácticas. Hay tres formas de salidas
posibles:
Salida numérica escalar.
Salida linguística, juntamente con su posibilidad.
Conjunto borroso que representa una distribución de posibilidades.
n La primera forma, la más usual, es el llamado desemborronado, o
aclarado, para lo cual existen varias alternativas. La más habitual
es la del centro de gravedad, que con el ejemplo anterior:
47
11:04 LAR CETSI Mayo 2005 93
Paso 5: Procesamiento los datos de salida II
n En la segunda forma la salida se da de forma linguistica aplicando
algún criterio para elegir la clase de salida. En su forma más
simple, este criterio puede ser la altura máxima.
En el caso anterior, la salida podría ser “ Y es medio con posibilidad
0.77”
n Este tipo de salida linguistica solamente se emplea en aplicaciones
a ciencias sociales, economía o medicina, en las cuales se busca
una respuesta en lenguaje natural.
n Finalmente, la tercera forma de salida (el propio conjunto borroso)
no se emplea mucho porque los sistemas de harware-software
existentes no son adecuados para procesar este tipo de
información.
11:04 LAR CETSI Mayo 2005 94
http://www.abo.fi/~rfuller/fuzs.html
48
11:04 LAR CETSI Mayo 2005 95
http://www.ortech-engr.com/fuzzy/reservoir.html
11:04 LAR CETSI Mayo 2005 96
www.ing.unal.edu.co/~ogduarte/softwareDetallado.htm
49
11:04 LAR CETSI Mayo 2005 97
UNFUZZY para desarrollo de sistemas borrosos
11:04 LAR CETSI Mayo 2005 98
El ejemplo de la caldera con UNFUZZY

Conjuntos nítidos

n

Un conjunto clásico, o nítido (crisp) tiene una frontera definida:
Ejemplo A = {x : x > 3 } para x en el Universo de los número naturales. De forma que dado cualquier elemento del Universo del discurso U, pertenece o no pertenece al conjunto. Si definimos una función característica para cada elemento x de U: = 1 si x ∈ A = 0 si x ∉ A Podemos definir A por el conjunto de pares ordenados (x,1 ) ∀ x ∈ A (x,0) ∀ x ∉ A La función característica puede generalizarse a una función de pertenencia que nos da un número entre 0 y 1

11:04

LAR CETSI Mayo 2005

3

Conjuntos Borrosos I
n

Si a cada elemento del Universo del Discurso se le asigna un grado de pertenencia a un conjunto, µa(x) , valor real entre 0 y 1, tendremos definido un conjunto borroso. El grado de pertenencia se asigna por una función de pertenencia.
Sea x = { Números reales próximos a cero} La función de pertenencia podría ser:

n

n

1 1 + 10 x 2 No confundir grado de pertenencia con probabilidad, ni con medida borrosa. µ ( x) =
La suma de los grados de pertenencia de los elementos de U no tiene por qué ser la unidad.

11:04

LAR CETSI Mayo 2005

4

Conjuntos borrosos II
Sea el Universo de las edades U={5,10,20,30,40,50,60,70,80} Elementos 5 10 20 30 40 50 60 70 80
11:04

Bebés 0 0 0 0 0 0 0 0 0

Jóvenes 1 1 0.8 0.5 0.2 0.1 0 0 0

Adultos 0 0 0.8 1 1 1 1 1 1

Viejos 0 0 0.1 0.2 0.4 0.6 0.8 1 1
5

LAR CETSI Mayo 2005

n Sets

with fuzzy boundaries

1.0 .9 .5

5’10’’ 6’2’’

Heights

11:04

LAR CETSI Mayo 2005

6

Conjuntos Borrosos III
n

La notación matemática es: A = {x | µA(x) } si µA(x) es distinto de 0 (x se llama singleton)
Ejemplo: bebés = {} jóvenes = {5 | 1, 10 | 1, 20 | 0.8, 30 | 0.5 , 40 | 0.2 , 50 | 0.1 } adultos = {20 | 0.8 , 30 | 1, 40 | 1, 50 | 1, 60 | 1, 70 | 1, 80 | 1} viejos = {20 | 0.1, 30 | 0.2, 40 | 0.4, 50 | 0.6, 60 | 0.8, 70 |1, 80 | 1 }

n n n

El conjunto bebés es un conjunto borroso vacío, dentro del Universo de edades elegido. Altura de un conjunto borroso es el máximo valor de pertenencia. Cardinal de un conjunto borroso es la suma de los valores de pertenencia de todos sus elementos
Cardinal (viejos) = 4.1 Cardinal(jóvenes) = 3.6
LAR CETSI Mayo 2005 7

11:04

Universos del discurso

n

Los universos del discurso pueden ser
Discretos y no ordenados:
U = {Salamanca, Zamora,Bragança,Metrópolis} A = “buena para vivir” = {Salamanca|0.8, Zamora|0.7, Bragança|07, Metrópolis|0.1} La especificación de las funciones de pertenencia es bastante subjetiva. U = {0,1,2,3,4,5,6,7,8,9,20} A = “número sensato de hijos” = {0|0.1, 1|0.3,2|0.8,3|1,...} U = R+ posibles edades de las personas A = “más o menos 50” = {x | µA (x)}
µ A (x) = 1 1 + 10 ( x − 50 ) 2

Discretos y ordenados:

Continuos:

11:04

LAR CETSI Mayo 2005

8

Corte α es el conjunto nítido Aα ={x : µA(x)≥ α} Corte α fuerte es el conjunto nítido A’α ={x : µA(x)>α} 11:04 LAR CETSI Mayo 2005 10 .5. Un CB A es normal si su núcleo no es vacío. “Singleton” borroso si el soporte de A es un único punto x con µA(x)=1. Sobre A se establecen las siguientes definiciones: Soporte es el conjunto de los puntos x∈X tales que µA(x)>0 Núcleo es el conjunto de los puntos x∈X tales que µA(x)=1. n n n n n n n n Sea un conjunto borroso A definido sobre el universo X. Punto de cruce es el punto x en el que µA (x)=0.Ejemplo de conjuntos borrosos 11:04 LAR CETSI Mayo 2005 9 Definiciones básicas.

x 2 ∈U y λ ∈[0. µA (x2 )} 11:04 LAR CETSI Mayo 2005 12 .1] n µA(λx1 + (1− λ)x2 ) ≥ min{µA (x1).Definiciones en forma gráfica n Las definiciones anteriores en forma gráfica: 11:04 LAR CETSI Mayo 2005 11 Más definiciones básicas Un conjunto borroso A es convexo si. y sólo si. ∀x 1 .

La mayoría de los conjuntos borrosos que aparecen en la literatura. Un CB es abierto a la izquierda (idem a la derecha) si : lim x→ −∞ µ A ( x ) = 1 lim x→ +∞ µ A ( x ) = 0 11:04 LAR CETSI Mayo 2005 13 Operaciones básicas I n Un conjunto borroso (CB) A es un subconjunto de otro Conjunto Borroso B si el grado de pertenencia de cada elemento del Universo al conjunto A es menor o igual que el del conjunto B A ⊂ B ⇒ µ A (x ) ≤ µ B ( x)∀x ∈ U n Dos CB son iguales si todos los elementos del Universo tienen el mismo grado de pertenencia en ambos CB. son números borrosos.R.5 n n Un CB es simétrico si su función de pertenencia es simétrica con relación a un cierto punto x=c.. n En un CB normal y convexo. n Un número borroso A es un conjunto borroso sobre la recta real. Son distintos en caso contrario {viejos} es subconjunto de {adultos} n Por simplicidad de notación. definidos sobre R.Y más .x2| donde µA(x1 ) = µA(x2 ) = 0.. la anchura se define como la distancia entre los dos únicos puntos de cruce Anchura(A) = | x1 . a veces de emplea: A= A= 11:04 {∑ X x∈ X A µ A (x)| x } Universos discretos Universos continuos 14 ∫ µ (x ) | x LAR CETSI Mayo 2005 . que satisface las condiciones de normalidad y convexidad.

“A y B”. {Complemento de viejos} = {no viejos} = {5|1.Operaciones Básicas II n Complemento de un CB.... Intersección de dos CB. A..60|0. a las convencionales. 11:04 LAR CETSI Mayo 2005 15 Otras definiciones del complemento borroso 1− a 1 + sa Sugeno : N s (a ) = Yager : N w ( a ) = (1 − a w )1/ w 11:04 LAR CETSI Mayo 2005 16 .20|0.2} n n Unión de dos CB. 30|0. con respecto al Universo del discurso.80|1} {jóvenes y viejos} = {20|0. 10|1.2.. es el CB obtenido asignando a cada elemento del Universo el máximo valor de su grado de pertenencia a cualquiera de los dos conjuntos.9.es el CB obtenido asignando a cada elemento del Universo el mínimo valor de su grado de pertenencia a cualquiera de los dos conjuntos...50| 0.. como casos particulares..1} n Es fácil comprobar que las operaciones anteriores incluyen.1. 10|1. {jóvenes o viejos} = { 5|1.” A o B”. es el CB obtenido al asignar a a cada elemento del Universo el complem entario a 1 de su grado de pertenencia en A...

c) n Ejemplos de T-normas : Minimo: T(µA. µB) = min(µA. µB) = max (0 . 0) = 0. b) = T(b. µB): Requisitos básicos de una T-norma: Frontera: T(0. (µA+µB –1)) …… 11:04 LAR CETSI Mayo 2005 18 .Ejemplos de operaciones básicas 11:04 LAR CETSI Mayo 2005 17 Normas triangulares (T-norm) n n La intersección de dos CB. T(b. A y B. puede definirse de un modo más general mediante la norma triangular T(µA. µB) Es el empleado habitualmente Producto: Ta(µA. a) Asociatividad: T(a. a) = a Monotonicidad: T(a. c)) = T(T(a. T(a. µB) = µ A µB Producto acotado: Tb(µA. 1) = T(1. b). d) si a < c y b < d Conmutatividad: T(a. b) < T(c.

0) = S(0. µB) = min (1 . µB): Requisitos básicos de S(µA. c) n Ejemplos de S-normas: Maximo: S(µA. a) = a Monotonicidad: S(a.Co-normas triangulares (S-normas) n n La unión de dos CB. (µA+µB )) Drastic sum: Sd(a. c)) = S(S(a. d) si a < c y b < d Conmutatividad: S(a. µB) = µ A + µB Suma acotada:Sb(µA.8 0. puede definirse de un modo más general mediante la co-norma triangular S(µA. µB) : Frontera: S(1.4 0. A y B. b) < S(c. µB) = max(µA. 1) = 1.6 0. µB) Es el empleado habitualmente Suma: Sa(µA. Una forma alternativa es representar los grados de pertenencia: 1 0. b) 11:04 LAR CETSI Mayo 2005 19 Operaciones Básicas III n n Son posibles definiciones más generales. b) = S(b. S(b.2 0 5 10 20 30 40 50 60 70 80 20 11:04 LAR CETSI Mayo 2005 . S(a. con grados de pertenencia no restringidos al intervalo [0. b).1]. a) Asociatividad: S(a.

180)|0..5..160)|1. µ B ( y).∀x ∈U. Ej : Si T = {temperaturas}. n Estos adjetivos se llaman “valores linguisticos” o “etiquetas linguisticas”. medias y altas. cuando el universo del discurso X es continuo.160)|0.5. y) | µAxB(x.. Estos conjuntos borrosos suelen llevar adjetivos que aparecen en el lenguaje natural. ∀x ∈U .170)|1.1} {jovenes + medios} = { (5.170)|1...Operaciones Básicas IV n Producto Cartesiano de dos CB. y) = max( µ A ( x). podemos tener conjunto borrosos de temperaturas bajas... AxB.180)|0. y) | µ A+ B ( x. (5.(50.5} 11:04 LAR CETSI Mayo 2005 21 Variables lingüisticas n n En la práctica. definidos sobre Universos distintos: AxB {(x. Y al universo del discurso se le llama “variable lingüística” 11:04 LAR CETSI Mayo 2005 22 . El producto cartesiano {jovenes x medios} = { (5..∀y ∈V} = n Co-Producto Cartesiano de dos CB. y) = min(µA(x). se suele partir en varios conjuntos borrosos que “recubren” X de una forma más o menos continua.5}. 170 |1. definidos sobre Universos distintos: A + B = {( x. 180 |0. µB (y). AxB.(50. (5. ∀y ∈V } Ejemplo: Sobre V={Estaturas de personas} definimos el conjunto {medios} = { 160|0.

Tipos de funciones de pertenencia 11:04 LAR CETSI Mayo 2005 23 Funciones de pertenencia gráficas 11:04 LAR CETSI Mayo 2005 24 .

Funciones de pertenencia sigmoideas 11:04 LAR CETSI Mayo 2005 25 Funciones de pertenencia L-R 11:04 LAR CETSI Mayo 2005 26 .

Funciones de pertenencia 2D: extensión cilíndrica 11:04 LAR CETSI Mayo 2005 27 Funciones de pertenencia 2D: proyecciones 11:04 LAR CETSI Mayo 2005 28 .

2. 2|0.n .. -1|0. 11:04 LAR CETSI Mayo 2005 30 ..8.. -3|0. se aplicaría un procedimiento similar.1... -2|0.. 0|0. 1|0.Principio de extensión n Sea f una función de U a V y A un CB sobre U: A = {x1 | µ A ( x1 ).8.4.. En caso de que f() sea una correspondencia muchos a uno (puede haber más de una x con la misma imagen y) entonces µ B ( y ) = max x= f −1 ( y ) ( µ A ( x)) 11:04 LAR CETSI Mayo 2005 29 Ejemplo del principio de extensión n n n Sea A={-2|0. xn | µ A ( x n )} n El principio de extensión establece que la imagen del conjunto borroso A por la correspondencia f() es el conjunto borroso B B = f ( A) = {y1 | µ A ( x1 ). i=1.9. y 2 | µ A ( x 2 ).4.. 1|0. -2|0.3) Y f(x) = x2 – 3 Aplicando el principio de extensión tendremos : B = { 1|0.1. 1|0.9.3 } n Si el CB A estuviese definido sobre un universo del discurso continuo.y n | µ A ( x n )} n Donde yi = f(xi ).9.3 } Que al aplicar la ley del máximo queda B = {-3|0.8.. -2|0. x 2 | µ A ( x2 ).

La Coruña. Ejemplo: U1 = U2 = {números reales}. R(U1. Palencia} U2 = { Salamanca.Relaciones Borrosas I n Dados n Universos. Burgos } y R = “lejanas” La “matriz borrosa” .1 11:04 LAR CETSI Mayo 2005 31 11:04 LAR CETSI Mayo 2005 32 .3 1 0 . podemos definir la relación borrosa “próximo” por µR(x.Un.8 0 . U1.. R() es 0 ..4 0. tenemos una relación borrosa binaria. continuos o discretos.U2) Ejemplo: Sea U1= { Valladolid..2 0 .y) = 1/(1 + 10(x -y) 2) n Si n=2. una relación borrosa R viene definida por un grado de pertenencia asignado a cada elemento del producto cartesiano de los Universos.

2 0.8    0 1  0.8  0.W).Relaciones Borrosas II n Dominio de una relación borrosa binaria R(U.8. Ej : U=(primavera.V) es el conjunto borroso domR(U.V) y Q(V.8 0 . µQ (y.z) = maxV [min(µP (x. y dos relaciones borrosas P(U.4} n Rango tiene una definición análoga a la de dominio . 11:04 LAR CETSI Mayo 2005 33 Relaciones Borrosas III n Composición de relaciones: Dados U.2    1 0 P =  0.8  0 .2   0 . otoño.2 0. Ej: domR(U.8 11:04 LAR CETSI Mayo 2005 34 .2 0  0.3. La Coruña|1.z) ] También llamado composición max-min. Palencia|0.V) que asigna a cada elemento del conjunto origen U el máximo grado de relación con cualquiera de los elementos de V.2 0.2   0 0 . pero intercambiando U y V Ej : ranR(U. verano. jersey.2 0.8 PoQ =   0 .y).W) = [(x.V)= {Valladolid|0.W) = { si se siente V se usa W} Y las matrices P.z) | µ PoQ(x. se define la relación compuesta PoQ : R(U. frío} W={camisa. Q y PoQ son:  0 .2 0  0.V) = {Salamanca|0. Burgos|1} n Todas las operaciones sobre conjuntos borrosos pueden aplicarse sobre relaciones borrosas: unión.8  0 .8 Q= 0 0. intersección etc.2 0 .W) = P(U.V y W.V) = {en la estación U se siente V} Q(V. abrigo} P(U.V)oQ(V. invierno} V={calor.

T(x) es el conjunto de términos o valores linguísticos . n n Este principio dio lugar al concepto de variable lingüística. como alternativa al modelado del razonamiento humano: Una variable lingüística es la quíntupla (x. nuestra capacidad de establecer sentencias precisas y significativas va disminuyendo hasta que se alcanza un umbral a partir del cual la precisión y el significado se convierten en características mutuamente exclusivas”. G es una regla sintáctica que genera los términos en T(x) M es una regla semántica que asocia cada valor lingüístico A con su significado M(A) . donde M(A) es un conjunto borroso en U.G.T(x).y) µQ (y.z) )] 11:04 LAR CETSI Mayo 2005 35 Principio de incompatibilidad n Formulado por Zadeh(1975) : “ A medida que aumenta la complejidad de un sistema.z) | µ PoQ(x.M) donde x es el nombre de la variable.Relaciones borrosas IV n A veces se define la composición max-producto como [(x. LAR CETSI Mayo 2005 36 11:04 .U.z) = maxV [(µP (x. U es el universo del discurso.

. 11:04 LAR CETSI Mayo 2005 37 Valores linguisticos 11:04 LAR CETSI Mayo 2005 38 ..120] T(x) = {bebé. etc. niño. U = [0..Ejemplo de variable linguística n n n n n Sea x = edad de las personas. de media edad.} G especifica la forma en que se generan los valores en T(x) M representa la forma de cada uno de los conjuntos borrosos asociados a los valores bebé. anciano. joven. niño. adulto.

Lógica Borrosa vs. etc. o borrosos (Ejemplo: barato. LAR CETSI Mayo 2005 40 11:04 . al menos parcialmente (Lenguaje Natural). 11:04 LAR CETSI Mayo 2005 39 Lógica Borrosa vs. que pueden considerarse como números borrosos o predicados de segundo orden. cuyos valores son palabras o sentencias en lenguaje natural. tradicional n n n En la lógica clásica. etc.. los predicados pueden ser concretos. con lo cual cada proposición tiene grados de pertenencia a los llamados “ alores de verdad v linguisticos”. etc n n La Lógica Borrosa parece adecuada para la representación del conocimiento. Tradicional II n En Lógica Borrosa se admiten modificadores de predicados. falso. cierto. como en la convencional.1]. edad. alto. como “muy”. Si a cada modificador se le asigna un operador. los valores semánticos son conjuntos borrosos dentro del intervalo [0. tamaño. Problema abierto: la aproximación linguistica. . la traducción a una expresión linguistica de un conjunto borroso obtenido como resultado de una inferencia. Ejemplo: muy cierto.. es decir. Ejemplo: temperatura : “muy baja”. cuantificadores borrosos como “muchos”. En Lógica Borrosa se admiten. Este es un concepto clave en las aplicaciones a determinados campos. muy falso. una proposición puede tomar los valores 0 o 1. además. En Lógica Borrosa. “normal”. “casi”. En la lógica borrosa. “baja”. “alta”. estatura. La lógica clásica solamente admite dos cuantificadores : el Universal (para todo) y el existencial (existe al menos). joven. como el Control.). “muy alta” presión. “pocos”. se pueden realizar cálculos con variables linguisticas.

la interpretación de una sentencia tiene como resultado un valor de verdad. entre 0 y 1. Por simplicidad. algunos autores niegan que la Lógica Borrosa sea. o falsedad. 11:04 LAR CETSI Mayo 2005 42 . etc. En la lógica clásica.”en torno a”. por tanto. n n Dado que en Lógica Borrosa con existe el concepto de “sentencia válida”. Por ello. nos referiremos con α al grado de verdad de una sentencia. 11:04 LAR CETSI Mayo 2005 41 Sentencias Borrosas n En Lógica Borrosa se trabaja con sentencias obtenidas enlazando predicados. la única defensa es el pragmatismo: es un formalismo que permite modelar situaciones y construir sistemas de inferencia que son imposibles con otras Lógicas. no puede establecerse un sistema axiomático y. con las mismas reglas de formación que en la lógica de predicados: Conectivas básicas : disyunción.. V o F. Premisa = restricción sobre una variable Conclusión = restricción calculada como propagación de restricciones. cuya semántica se puede formalizar: “muy”. basado en expresar las premisas y conclusiones en forma canónica. conjunción y condicional Modificadores: además de la negación. ni siquiera una Lógica.. En lógica borrosa este resultado es un valor de verdad. Tradicional III n La Lógica Borrosa proporciona un mecanismo apropiado de inferencia. existen una serie de modificadores liguisticos. tampoco tiene sentido hablar de “completitud” ni de “consistencia”. n Seguiremos el modelo de semántica de lenguaje natural propuesto por Zadeh. pero que puede estar referido a una interpretación de verdad.Lógica Borrosa vs. Por ahora. o media verdad.

. Si consideramos el conjunto de predicados monádicos de un lenguaje natural. Ejemplo: Sea U = {Universo de los números naturales} predicado 1 : “números pequeños” predicado 2 : “números grandes” 11:04 LAR CETSI Mayo 2005 43 Interpretación de sentencias simples II 1 1+ 01x .Interpretación de sentencias simples I n n n En este modelo. podemos considerar que existe una medida para cada elemento del universo y predicado que expresa el grado de correspondencia entre ellos. el significado de una palabra se considera igual a un conjunto formado por elementos de un universo U. que normalmente se restringe a un contexto. es decir. plantas.. x ≤ 1000  0   µg(x) = x − 1000 x ≥ 1000  x − 999    Los conjuntos borrosos asociados a esta interpretacion son : P = {numeros naturales pequeños} G={numeros naturales grandes} Por ejemplo: µp(x) = la sentencia "5 es un numero natural pequeño" tiene una grado de verdad de 2/ 3. (temperatura alta). su relación semántica. Significado de un predicado monádico es el conjunto borroso formado por todas las relaciones semánticas del predicado con los elementos del universo. conjunto de olores.. la sentencia "1005 es un numero natural grande" tiene un grado de verdad de 5/ 6 11:04 LAR CETSI Mayo 2005 44 . Por ejemplo. Todo predicado monádico representa una propiedad.

6 11:04 LAR CETSI Mayo 2005 46 . Ejemplo: “Juan es joven” : para interpretar esta sentencia. grado de pertenencia del elemento x al conjunto A: I(A(x)) = µA(x) = α n Cuando el sujeto x no pertenece al universo U sobre el que se ha definido el predicado. la solución es. más o menos. arbitraria.frío} Con la relación borrosa definida por la matriz: 0 . que representa su significado. con el conjunto borroso “joven” dado antes. llamada paso a forma canónica. n Significado de un predicado n-ario es la relación borrosa formada por todas la relaciones semánticas del predicado correspondiente con las tuplas formadas por los elementos de los universos.y) = α Ejemplo: E={primavera.Interpretación de sentencias simples III n Dado un predicado monádico al que se ha asociado un conjunto borroso A. Ejemplo: Si la edad de Juan fuese de 25 años. verano. en forma canónica.4 0 0 . En este caso. La sentencia.5.1 0 . o bien.5 1 I(“en otoño se siente calor”) = 0. sería : “La edad de Juan es la de una persona joven”. es preciso hacer una correspondencia entre x y algún elemento de U. otoño.y)) = µR(x. 11:04 LAR CETSI Mayo 2005 45 Interpretación de sentencias simples IV n En el caso de Universos discretos. es posible que al pasar a la forma canónica no exista ningún elemento de U asociado a x. Se puede considerar que es análoga a 20.6 0 . es preciso conocer la edad de Juan. a la interpretación verdadera de una sentencia simple se le asocia el valor de verdad µA(x). invierno} S={calor.7 1 0 . si n=2: I(R(x. Así. la interpretación de la s entencia es 0. interpolar los valores de verdad. o 30. Si Juan tiene 30 años.

Sobre el Universo de estaturas definamos el conjunto borroso: {estatura media}={160|0.5) = 0. o relación.Interpretación de sentencias compuestas I n n Como a cada predicado se ha asociado un conjunto.8 I(“Juan es joven y de estatura media”) = min( 0.8.∀ x ∈ U .8. ∀ y ∈ V I ( A( x ) → B ( y )) = µ A ( x ) µ B ( y ). ∀ x ∈ U .180|0.0. 170|1. borrosos obtenidos por la misma operación. ∀ y ∈ V (Man dani) (Larsen) (Zadeh) 11:04 LAR CETSI Mayo 2005 48 . y la de conjunción a la de intersección (Tnorma). µ B ( y )). borroso a la conjunción y disyunción de predicados se les puede asociar también un conjunto. µ ( y)). ∀ x ∈U . ∀ x ∈ U .0.5.5} La sentencia “Juan es joven o de estatura media”. µ B ( y )). µ ( y )). ∀ y ∈ V si los predicados son independientes A B = min en caso contrario 11:04 LAR CETSI Mayo 2005 47 Interpretación de sentencias compuestas II n Es obvio que si los dos predicados están definidos sobre un mismo universo.5 n Para interpretar la sentencia condicional hay varias alternativas I ( A( x ) → B ( y )) = max(min(µ A ( x ). ∀ x ∈ U . Regla de disyunción: I (A ( x) ∨ B( y)) = max( µ ( x) . Ej. la regla de disyunción conduce a la operación de Unión de Conjuntos (S-norma). ∀ y ∈ V I ( A( x ) → B ( y )) = min(µ A ( x ). ∀y ∈ V A B n Regla de conjunción: I ( A ( x ) ∧ B ( y )) = min( µ ( x ). tiene un interpretación = max(0.5) = 0. 1 − µ A ( x )). si la edad de Juan es 20 y la altura es 180. o relación.

µ(x) µ(x) “más o menos” Intensificación: INT(µ(x)) = 2 µ(x) µ(x) si µ(x)<0.. µ ( y)).5. “más o menos”.5 1 -2(1..0. pueden modelarse como operaciones sobre la función de pertenencia.z)) = min(µA (x). “normalmente”. si no ..Interpretación de sentencias compuestas III n La sentencia condicional ampliada “Si . “casi”.”casi”.8).. I (¬ A → C)) = = max(min( µ ( x).92 I(“Juan no es joven”) = 1 .. si no es viejo”= max(min(0.8 = 0.Novak: Negación: NEG(µ(x)) = 1 .min(1 − µ ( x ).. µR (y.z) 11:04 LAR CETSI Mayo 2005 49 Modificadores Lingüisticos n Los modificadores como “muy”. µ ( z)) A B A C Ej: “Si Juan es de estatura media entonces es joven.8 = 0.” puede intepretarse como: I(( A( x ) → B( y)) ∧ (¬ A( x) → C( z)) = max(I ( A → B ).0. etc LAR CETSI Mayo 2005 50 11:04 . entonces .5 n Las reglas anteriores son extensibles a predicados diádicos y combinaciones monádicos-diádicos: I(A(x) -->R(y.1))= 0.2 n Análogamente se pueden modelar modificadores como “hiper”.5 “bastante” Ej: I(“Juan es muy joven”) = 0.64 I(“Juan es bastante joven”) = 1 -2(0.2) = 0. Los siguientes modelos se deben a V..2)(0.8*0.µ(x) Concentración: CON(µ(x)) = µ(x) µ(x) “muy” Dilatación: DIL(µ(x)) = 2 µ(x).0.min(1-0.5.µ(x)) 2 si µ(x) >0.

Ejemplo de modificadores 11:04 LAR CETSI Mayo 2005 51 Reglas Básicas de Inferencia I n Posibles clasificaciones del razonamiento: Categórico: las premisas no contienen cuantificadores borrosos... los mamíferos tienen pelo y maman .. 11:04 LAR CETSI Mayo 2005 52 ... Algo más de la mitad de los estudiantes solteros fuman.” Si la temperatura es alta y la presión es muy baja. o más. La mayoría de los estudiantes son solteros. entonces abrir un poco la válvula. Cualitativo: el problema se modela mediante un conjunto de relaciones borrosas del tipo “si ..entonces... Disposicional: una. premisas pueden contener el cuantificador borroso “normalmente”: Normalmente.. Silogístico : las premisas contienen cualquier cuantificador borroso.. los mamíferos tienen pelo Los mamíferos maman de pequeños -----> Normalmente.

la pareja formada por ellos tiene el grado de relación que le corresponde en el producto cartesiano AxB. la sentencia “Jose es viejo” también lleva a “Jose es adulto” n Regla de la Intersección : Si un elemento de U tiene las propiedades representadas pos los CB A y B. 11:04 LAR CETSI Mayo 2005 53 Reglas Básicas de Inferencia III n Regla del Producto Cartesiano o de la Conjunción: Si dos elementos de distintos universos tienen las propiedades representadas por los CB A y B. cualquier elemento del universo que tenga la propiedad representada por el conjunto A. “Juan es joven” y “Juan es adulto” ---> “Juan es joven y adulto”. “Juan es joven” y “Juan es de estatura media” ---> “Juan es joven y de estatura media”. asociado a un predicado. n Regla de la Proyección: de una pareja de elementos que cumpla una relación borrosa.(Entailment). Regla de la Herencia. también hereda la propiedad representada por B. Si la silueta es “Oronda” se puede deducir que Peso es Excesivo. Ej :Sea (Peso. 11:04 LAR CETSI Mayo 2005 54 . con grado de verdad dado por la regla de conjunción. con grado de verdad definido por la regla de la conjunción. Ej : Dado que {viejo} es un subconjunto de {adulto} . se puede concluir que el primer elemento tiene la propiedad representada por el dominio de la relación.Si el CB A. es un subconjunto del CB B.Reglas Básicas de Inferencia II n n Las reglas de inferencia en Lógica Borrosa constituyen la base del llamado Razonamiento Aproximado. también tiene las representadas por la intersección de A y B. Altura) dos variables borrosas y la relación (“Silueta”).

se puede concluir que el segundo elemento tiene la propiedad representada por la composición de A con la relación R. 11:04 LAR CETSI Mayo 2005 56 . y que esté relacionado con otro elemento de un universo diferente. Ej: Zamora es una ciudad pequeña A={ciudades pequeñas} Valladolid es mayor que Zamora R =“mayor que” ----> Valladolid es mayor que una ciudad pequeña n Modus Ponendo Ponens Generalizado: A(x) B(x) --> C(z) ---------------(Ao(BxC))(y) Recordemos que en CB la negación (¬) viene expresada por el complemento.Reglas Básicas de Inferencia IV n Modus Ponens Generalizado: A(x) -->B(z) A(x) ----------------B(z) Si la temperatura es baja sube la calefacción La temperatura es baja ---------.Sube la calefacción n Modus Tollens Generalizado: A(x) --> B(z) ¬B(z) -----------------¬A(x) Si la temperatura es baja sube la calefacción No sube la calefacción ---------La temperatura no es baja 11:04 LAR CETSI Mayo 2005 55 Reglas Básicas de Inferencia V n Regla de la Composición: de un elemento que cumpla una propiedad representada por un CB A.

Procesamiento de señal. Los problemas de análisis de sistemas (o toma de decisiones) más importantes son: Control de procesos. modelado. Definiciones I n n Un sistema (de control. etc) es borroso cuando su funcionamiento se basa. diagnóstico e investigación operativa. Empiezan a aparecer aplicaciones en los campos de medicina. predicción. procesamiento de señal o de imágenes. Investigación Operativa.Sistemas Borrosos. etc) normalmente incluye alguno de los problemas de análisis anteriores. Procesamiento de lenguaje natural. Definiciones II n Un problema básico de toma de decisiones (control. Diagnóstico. Ejemplo: Predicción Procesamiento de señal Control de procesos Investigación Operativa Toma de decisión n La mayoría de los sistemas borrosos hasta la fecha están en los campos de control de procesos. al menos parcialmente en la lógica borrosa o en los conjuntos borrosos. de información. LAR CETSI Mayo 2005 58 11:04 . Procesamiento de imagen. 11:04 LAR CETSI Mayo 2005 57 Sistemas Borrosos. economía y ciencias sociales. reconocimiento de patrones.

Se aplican en una gran variedad de campos. Japón) Acondicionador de aire doméstico (Mitsubishi) Lavadora (Viessmann..Algunos ejemplos de sistemas borrosos n Industriales: Control de horno de cemento (Dinamarca) Control de horno de fundición (NKK Fukoyama) Operación automática del metro (Sundai. cumpliendo los requis itos de diseño razonablemente bien. USA) 11:04 LAR CETSI Mayo 2005 59 Sistemas borrosos reales n La mayoría de los sistemas borrosos reales: – – – – Son muy simples en estructura y objetivos... ENTONCES. Japón) Sistema experto en medicina (Univ... Emplean estrategias de solución basadas en reglas borrosas del tipo SI. California) Control de robot autónomo (SRF. 11:04 LAR CETSI Mayo 2005 60 . y con ventajas sobre la solución convencional.. n Estas tres características constituyen un punto de referencia en el diseño de este tipo de sistemas. Fagor) Cámara autofoco (Sanyo) Fotocopiadora (Sanyo) n De laboratorio: Reconocedor de habla (NTT.

etc b. Biología. 3..Examinando conjuntos de datos y extrayendo consecuencias de ellos......Por formulación matemática cerrada.. explicar e cómo se anda en bicicleta. 2. Finanzas... la opción b constituye la única alternativa para un tratamiento informático.. Contabilidad. Hay tres formas de obtener una solución a un problema: 1.. n El objetivo del diseño es transformar el conocimiento dado en una de estas tres formas en reglas borrosas del tipo: SI . Criminología. Medicina.. en lenguaje natural. etc n n En algunos casos. Sicología..Aplicando la experiencia práctica ( xpertize) Por ejemplo. Ciencias Políticas....Aplicación de la inferencia borrosa a disciplinas que usan lenguaje natural como forma de expresión: Derecho.....Aplicación de la teoría de conjuntos borrosos a disciplinas basadas en las matemáticas: Geofísica.Futuro de los sistemas borrosos n La evolución futura de los sistemas borrosos va por dos caminos: a..... 11:04 LAR CETSI Mayo 2005 61 ¿Qué es el diseño de un sistema borroso? n n Es la aplicación de conjuntos borrosos y/o lógica borrosa a una solución planteada en términos no borrosos (nítidos).. 11:04 LAR CETSI Mayo 2005 62 ..... Un tercera línea de desarrollo la constituyen los Computadores Borrosos (Proyecto ORBE y siguientes).. ENTONCES . Navegación. Historia...

Implementación. agrupamiento borroso. La traducción de una expresión matemática a reglas borrosas tampoco es trivial. composición de reglas y diseño de variables borrosas.¿Qué es el diseño? n n n La traducción de la experiencia en lenguaje natural a reglas borrosas es relativamente directo. 11:04 LAR CETSI Mayo 2005 63 Etapas de diseño Ø Ø Ø Ø Ø Obtención de la solución por el método convencional: adquisición del conocimiento. etc). La extracción de reglas borrosas partiendo de datos numéricos es el caso más complicado. Simulación y prueba. Normalmente se llega a expresiones en aritmética borrosa o a teoría de grafos borrosos (ejemplo: cmeans. 11:04 LAR CETSI Mayo 2005 64 . Desarrollo del algoritmo básico de inferencia borrosa : diseño de elementos heurísticos. Traducción al lenguaje de inferencia borrosa.

. .Informático/electrónico para implementarlo. Un algoritmo borroso es un conjunto organizado de los elementos teóricos introducidos hasta ahora.Especialista en lógica borrosa que lleva a acabo las etapas de diseño. la forma más general del algoritmo borroso es a bas e de reglas del tipo SI……. digital o analógico. se codifica en algún lenguaje: C. Un algoritmo borroso puede emplear métodos de inferencia relacionales.. 11:04 LAR CETSI Mayo 2005 65 Algoritmos Borrosos n n n n El diseño de un sistema borroso implica el desarrollo de mecanismos “borrosos” de proceso de información y toma de decisiones sobre una plataforma digital.Implementación. . n n n Una vez que el algoritmo borroso está desarrollado. implantados en un ordenador. No obstante. todo el proceso de diseño envuelve tres funciones (o personas): . Fortran. composicionales o de implicación.Experto que conoce la solución convencional. En definitiva. etc El resultado se puede ejecutar en un computador de propósito general o en un hardware específico. 11:04 LAR CETSI Mayo 2005 66 . ENTONCES …….

. ENTONCES …. } 11:04 LAR CETSI Mayo 2005 68 .I(t)] D = { Reglas borrosas de tipo SI ….Reglas borrosas n Ejemplos de reglas borrosas: 11:04 LAR CETSI Mayo 2005 67 Algoritmos Borrosos II n Un algoritmo borroso tiene el siguiente esquema general: Datos de entrada del mundo exterior I(t) Algoritmo Borroso Datos de diseño en memoria D Datos de salida al mundo exterior O(t) O(t) = ψ[D.

…… On t) .c n Cada regla tiene un antecedente.Reglas del algoritmo borroso n Sea : S = Sentencia borrosa A(x).1 Θ 1. 1. formado por la operación de varias sentencias borrosas y un consecuente.k → S 1.1 S S n. SI la temperatura es alta y la presión es media ENTONCES bajar un poco el caudal de combustible.2 S 1. o variable de acción. La salida de cada regla.2 ………….2 …………. Θ n. etc) entre la función de pertenencia y el grado de cumplimiento. o lado derecho. Larsen .k → S S n. etc) n Las reglas borrosas de un algoritmo borroso son: S1. LAR CETSI Mayo 2005 70 n 11:04 . OR. …. Esta absorción de la entrada produce un grado de cumplimiento para cada regla. se obtienen n conjuntos borrosos como resultado de las n reglas borrosas. por ejemplo “La temperatura es baja” Θ = Operadores lógicos (AND..c Regla 1 Regla n …… n.1 S n. Estos grados de cumplimiento producen salidas a través del proceso de implicación (→) O1(t). que es un conjunto borroso.2 Θ n. De esta forma. 11:04 LAR CETSI Mayo 2005 69 Reglas del algoritmo borroso II n n n En cada una de las sentencias del antecedente se examina una variable lingüística de entrada (“temperatura”) y su grado de pertenencia a un conjunto borroso (“temperaturas altas”). r(t). se obtiene por medio de la operación de implicación elegida (Mandani .1 Θ1. o lado izquierdo.

Máximos izquierda-derecha. 11:04 LAR CETSI Mayo 2005 71 Ejemplo de aclarado n Supongamos que la variable “Caudal de gas -oil” aparece en los consecuentes de dos reglas: µ(x) ¿Cuál es el caudal real a ajustar ? Caudal de Gas -oil 11:04 LAR CETSI Mayo 2005 72 .Desemborronado. Existen varios métodos de aclarado que dan resultados diferentes: Métodos del Centroide Centro de Gravedad. En la mayoría de los casos. Máxima posibilidad. Métodos del Máximo Media de máximos. Centro del área más grande. Aclarado n n n La agregación de dos o más conjuntos borrosos (o funciones de pertenencia) da un nuevo conjunto borroso en el algoritmo básico de inferencia borrosa (ABIB). dado que tanto la plataforma de trabajo como el mundo exterior suelen ser nítidos. Este proceso es uno de los puntos más débiles de todo el sistema. Centro de Masas. un resultado en forma de un conjunto borroso se convierte un un resultado nítido. ……………...

Otro ejemplo Consecuentes nítidos Aclarado por centro de gravedad 11:04 LAR CETSI Mayo 2005 73 Algunos tipos de aclarado 11:04 LAR CETSI Mayo 2005 74 .

tendremos un sistema borroso adaptable: Datos de entrada del mudo exterior I(t) Algoritmo Borroso Datos de diseño en memoria Mecanismo de Adaptación O(t) = ψ[D. de los datos de diseño (reglas borrosas) pueden cambiar en base a algún criterio.D a (t).Razonamiento con dos reglas Consecuentes nítidos 11:04 LAR CETSI Mayo 2005 75 Sistemas Borrosos Adaptables n Si todo. o parte. I(t)] Datos de salida al mundo exterior O(t) 11:04 LAR CETSI Mayo 2005 76 .

Salida: Acción de control 11:04 LAR CETSI Mayo 2005 78 . Se puede cambiar el número de conjuntos borrosos. D. se pueden cambiar las formas de las funciones de pertenencia (caso más habitual). se aprende de forma automática examinando el mundo exterior (datos de entrada datos de salida). emplear otros operadores de implicación y cambiar el método de aclarado. crear nuevas variables borrosas. todo el conjunto de reglas. En otros casos. 11:04 LAR CETSI Mayo 2005 77 Ejemplo de sistema borroso n Sistema de control borroso.Sistemas Borrosos Adaptables II n n n Por ejemplo. entre las cuales las RNA están dando muy buenos resultados. Para ello se emplean un cierto número de técnicas. Entrada: Temperatura y presión.

33) θ es media (0.5) n n n 11:04 LAR CETSI Mayo 2005 79 Ejemplo de sistema borroso III n n n Con los valores de presión y temperatura anteriores se disparan las reglas 5. En ambos casos. 11:04 LAR CETSI Mayo 2005 80 .8 y 9.5) y alta(0. En las dos transparencias siguientes se observa el resultado de la implicación con la regla de Mandani (mínimo) o con la de Larsen (producto).Ejemplo de sistema borroso II Si p = 7 y θ = 150 p es media (0. la salida es un nuevo conjunto borroso obtenido por agregación de las salidas de las reglas que se disparan.67) y alta(0.6. Las demás tienen alguna sentencia con grado de cumplimiento nulo.

Resultados con reglas de Larsen y Mandani 11:04 LAR CETSI Mayo 2005 81 Algoritmo Básico de Inferencia Borrosa (ABIBI) Datos de Entrada 1 2 Procesamiento de Datos de Entrada Evaluación de las variables lógicas de los Antecedentes Cálculo de la parte izquierda de las reglas Cálculo de los consecuentes Procesamiento de datos de salida Motor Borroso de Inferencia 3 4 Datos de Salida 5 11:04 LAR CETSI Mayo 2005 82 .

dado que todos ellos se transforman en valores de pertenencia [0. etc).. n 11:04 LAR CETSI Mayo 2005 83 Procesamiento de los datos de entrada I n n Previo a su tratamiento... existe un pre-proceso de los datos para su validación (sintaxis. linguisticos.. Las reglas consideradas en este algoritmo básico tienen un solo consecuente (forma canónica). Un motor borroso de inferencia puede procesar datos mixtos: numéricos y linguísticos.1].. filtrado. Las reglas compuestas han de traducirse previamente a forma canónica. vectores numéricos... rango.. distribuciones.ABIB-2 n n n El ABIB se emplea en la mayoría de las aplicaciones vigentes. La inferencia se basa en el paradigma MPG (Modus Ponens Generalizado). formato... etc Procesamiento Datos Comprobados Fase 2 11:04 LAR CETSI Mayo 2005 84 . Por consiguiente. El requisito básico es la disponibilidad de una solución articulada en forma de reglas SI. Datos: números escalares. considerado como una transformación de los grados de cumplimiento del lado izquierdo de las reglas a grados de posibilidad de los lados derechos.. el procesamiento de los datos de entrada tiene como objetivo asegurarse de que todos ellos están en la forma apropiada.. conjuntos borrosos. etc) o su transformación (valores medios. tanto de control como de otros ámbitos. ENTONCES .

Por ejemplo. Datos no borrosos Correlados secuencialmente Datos borrosos Distribuciones 11:04 LAR CETSI Mayo 2005 86 . En los casos en que el orden de los datos sea significativo se dice que están correlados secuencialmente sobre una variable independiente. que se conocen como conjunto de datos de entrada (presión y temperatura en ele ejemplo anterior). Por ejemplo. una secuencia de valores anteriores. perfil de temperaturas en un difusor. n 11:04 LAR CETSI Mayo 2005 85 Ejemplo de entradas mixtas. etc. Alguno de los datos de entrada pueden. a su vez.Procesamiento de los datos de entrada II n n n Un motor de inferencias normalmente tiene varias variables de entrada. ser múltiples. En los casos en que el orden de los datos no sea significativo. secuencia de k valores anteriores. se dice que son de tipo sección cruzada.

tenemos para la presión (3 conjuntos borrosos) el vector {0.33.) tiene un grado de cumplimiento de ( 0. 11:04 LAR CETSI Mayo 2005 87 Paso 3: Cálculo de la parte izquierda n Puesto que los valores de pertenencia se han obtenido en la fase anterior. 0. Por ejemplo.. 0.Paso 2: Evaluación de variables lógicas n Una variable borrosa puede considerarse como un conjunto nítido de conjuntos borrosos.. 0.67 AND 0. la regla 5 (SI p es media Y θ es media . Al evaluar una 2 N variable de entrada.5 ) = 0.5. OR. la fase 3 consiste en el cálculo de los operadores de la parte izquierda de cada regla: Valores de pertenencia de cada sentencia borrosa Operadores Lógicos: AND. µ x)}.33 AND 0. etc Grado de cumplimiento de cada regla n En nuestro anterior ejemplo. La regla 6. µ (x).. en el caso de la temperatura y presión del ejemplo anterior.5) = 0.) tiene un grado de cumplimiento de (0. si p=7 y θ = 150. etc LAR CETSI Mayo 2005 88 11:04 . se evalúan sus grados de pertenencia a todos los conjuntos borrosos. n En algunos casos. o vector .5. de grados de pertenencia en el que cada elemento indica la posibilidad producida por esta entrada.5}. El resultado es un conjunto. (SI p es alta y θ es media . 0.. X= {µ1(x).33} y para temperatura {0.67.. los valores de pertenencia muy pequeños se eliminan por alguna función de umbral. para disminuir la complejidad computacional de las reglas.

El cálculo del consecuente puede entonces hacerse de varias formas.. ENTONCES Y es medio J .... asociada a un grado de cumplimiento (parte izquierda). n Si las reglas están en forma canónica... Se ha aplicado la implicación de Mamdani 11:04 LAR CETSI Mayo 2005 90 . no hay más que un consecuente por regla (Parte derecha). ENTONCES Y es Alto K ..... ENTONCES Y es Bajo con los grados de cumplimiento r indicados en la figura. Grado de cumplimiento de cada regla Cálculo de la implicación Conjuntos borrosos de salida 11:04 LAR CETSI Mayo 2005 89 Ejemplo del paso 4 En este ejemplo hay tres reglas: I ...Paso 4: Cálculo de los consecuentes. Larsen etc. como se vió: Mamdani.

Así. Conjunto borroso que representa una distribución de posibilidades. Salida linguística. es el llamado desemborronado. la más usual. en el ejemplo anterior. normalmente. n El último paso es la generación de las salidas de forma que se puedan usar en aplicaciones prácticas.Agregación de las salidas. Hay tres formas de salidas posibles: Salida numérica escalar. n La primera forma. juntamente con su posibilidad. n La agregación de los conjuntos borrosos así obtenidos se hace. se obtiene un nuevo conjunto borroso: 11:04 LAR CETSI Mayo 2005 91 Paso 5: Procesamiento los datos de salida. a través de la operación de unión de conjuntos. o aclarado. que con el ejemplo anterior: 11:04 LAR CETSI Mayo 2005 92 . para lo cual existen varias alternativas. La más habitual es la del centro de gravedad.

html 11:04 LAR CETSI Mayo 2005 94 .Paso 5: Procesamiento los datos de salida II n En la segunda forma la salida se da de forma linguistica aplicando algún criterio para elegir la clase de salida. Finalmente. la salida podría ser “ Y es medio con posibilidad 0.fi/~rfuller/fuzs.77” n n Este tipo de salida linguistica solamente se emplea en aplicaciones a ciencias sociales. la tercera forma de salida (el propio conjunto borroso) no se emplea mucho porque los sistemas de harware-software existentes no son adecuados para procesar este tipo de información. En su forma más simple. este criterio puede ser la altura máxima. economía o medicina. 11:04 LAR CETSI Mayo 2005 93 http://www.abo. En el caso anterior. en las cuales se busca una respuesta en lenguaje natural.

co/~ogduarte/softwareDetallado.unal.htm 11:04 LAR CETSI Mayo 2005 96 .html 11:04 LAR CETSI Mayo 2005 95 www.com/fuzzy/reservoir.http://www.ing.edu.ortech-engr.

UNFUZZY para desarrollo de sistemas borrosos 11:04 LAR CETSI Mayo 2005 97 El ejemplo de la caldera con UNFUZZY 11:04 LAR CETSI Mayo 2005 98 .