Está en la página 1de 45

23

Funciones de Membresa
Un Conjunto Difuso es caracterizado por una
funcin de membresa. sta puede ser:
Triangular
Trapezoidal
Gausiana
Cualquiera de las anteriores pero abierta a la
izquierda o a la derecha
Otras, por ejemplo impulsivas, etc.
24
Funciones de Membresa
Funcin Pseudo-trapezoidal o Trapezoidal Derecha.
1
x
0
0
( ; , )
1
x
x
x x
x
o
o
o | o |
| o
|
<


I = s s

>

(x)

25
Funciones de Membresa
Funcin Pseudo-trapezoidal o Trapezoidal Izquierda.
1
(x)
x
0
1
( ; , )
0
x
x
L x x
x
o
|
o | o |
| o
|
<


= s s

>


26
Funciones de Membresa
Funcin Triangular.
1
x
0
0
( ; , , )
0
x
x
x
x
x
x
x
o
o
o |
| o
o |

|
|

<

s s

A =

s s

>

(x)

27
Funciones de Membresa
Funcin Trapezoidal.
1
x
0
0
( ; , , , ) 1
0
x
x
x
x x
x
x
x
o
o
o |
| o
o | o |
o
o
o
o
<

s s

H = s s

s s

>

(x)

28
Funciones de Membresa
Funcin Impulsiva o Singleton.
S(x; P0Pn)
P0 P1
1
x
P2
P3
1 if
( )
0 if
0,1, 2,...,
i
i
x p
x
x p
i n

=
donde pi es el
centro de la
funcin de
membresa. (x)
29
Funciones de Membresa
Funcin Gausiana.
2 2
( ( ) / 2 )
0
( ; , , , )
0
x
x
G x e x
x
| o
o
o | o o


<

= s s

>

30
FUSIFICACIN
ES EL GRADO DE PERTENENCIA A UN CONJUNTO DIFUSO
31
Una regla difusa tiene la siguiente estructura
IF antecedente THEN consecuente

IF proposicin difusa THEN proposicin difusa
Que es interpretada como:
IF Condicin THEN Accin
La proposicin difusa puede ser simple:
IF x is A THEN y is B
La proposicin puede ser compuesta, utilizando operadores
como AND, OR, NOT
IF x is A AND y is B THEN z is C
A, B , C son conjuntos difusos

REGLAS DIFUSAS
32
Las reglas difusas tambin pueden ser usadas con
variables lingsticas. Por ejemplo, en un motor:
Regla 1
IF La Temperatura (del motor) es muy baja
THEN mantn la aceleracin baja

Regla 2
IF La temperatura (del agua) es alta
AND La presin (del aceite) es baja
THEN mantn la velocidad muy baja

REGLAS DIFUSAS
33
BASE DE REGLAS
La base de reglas consiste de un grupo de reglas difusas del tipo
IF-THEN cuya estructura es la siguiente:
Considere un sistema difuso con las siguientes caractersticas:
n = 2 entradas, x1 y x2
Una salida, y con 5 funciones de membresa simtricas
N1= 5. Entrada 1 con 5 funciones de membresa simtricas
N2= 5. Entrada 2 con 5 funciones de membresa simtricas
M = N1*N2= 25 reglas.
1 1 2
1 1 1 2 2
( ) IF is AND is is THEN is
n n
l l l l l
n n n
Ru l l x A x A AND AND x A y B :
1
1 2
1, 2,
1, 2, donde es el nmero de entradas al sistema difuso
nmero de funciones de membresa de la entrada 1
nmero de funciones de membresa de la entrada
es el nmero tot
i i
n
n
l N
i n n
N
N n
M N N N
=
=
=
=
= al de de reglas
Para funciones de membresa simtricas (positivas y negativas):
( 1) / 2, 1, 0,1, ( 1) / 2
i i i
l N N =
34
BASE DE REGLAS
1 2 1 2
1 2 1 1 2 2
( ) IF is AND is THEN is
l l l l
Ru l l x A x A y B :
La Base de Reglas quedara de la siguiente forma:
1
2
Entonces:
2, 1, 0,1, 2
2, 1, 0,1, 2
l
l
=
=
Tabla de reglas o Look-Up Table
x
2
/ x
1

l
1
= -2
NB
l
1
= -1
NS
l
1
= 0
ZE
l
1
= 1
PS
l
1
= 2
PB
l
2
= -2 NB NB NB NS ZE ZE
l
2
= -1 NS NB NB NS ZE PS
l
2
= 0 ZE NS NS ZE PS PS
l
2
= 1 PS NS ZE PS PB PB
l
2
= 2 PB ZE ZE PS PB PB
35
BASE DE REGLAS
Los Sistemas Difusos almacenan reglas como asociaciones
difusas. El almacenamiento se hace en Tablas (Matrices):
IF A THEN B ( A , B ) M = { }
REGLA
DIFUSA
ASOCIACION
DIFUSA
MATRIZ o TABLA
ASOCIATIVA DIFUSA
A esta Tabla se le conoce como FAM (Fuzzy Assosiative
Memory), Look-Up Table, o simplemente como Tabla de Base
de Reglas.
36

Una FAM mapea un conjunto difuso de entrada
hacia un conjunto difuso de salida. A este conjunto
de salida se le conoce como inferencia difusa.
La inferencia puede entenderse como el proceso
que: dada una relacin difusa, previamente
establecida, entre un conjunto de entrada A y uno
de salida B, se puede concluir cmo sera una
salida B dada una nueva entrada A.
A est relacionada con A pero no es igual a A.
B est relacionada con B pero no es igual a B.
Entonces, B es una deduccin de B dado A.

INFERENCIA DIFUSA (I.D.)
37
Para generar esta deduccin, llamada tambin
conjunto difuso inferido, la Inferencia Difusa se
apoya en la multiplicacin difusa de vector-
matriz.

Existen varios mtodos de inferencia
Los dos ms usados son:
Inferencia max-min
Inferencia max-product
INFERENCIA DIFUSA (I.D.)
38
Multiplicacin difusa Vector-Matriz



A = (a1, a2,...,an ) ai = A( xi )
B = (b1, b2,...,bp ) bi = B( yi )
Podemos definir una matriz difusa M (n x p) tal que

A M B =
1
1
1
n p n
p
n
j i ij
i
x A y
y x a

=
=
=

b a m j
i n
i ij =
s s
max{min( )}
1
,
Se lee como A composicin con M = B
Los componentes bj se calculan como operaciones de rengln-
columna, pero aplicando los siguientes operadores:
39
Multiplicacin difusa Vector-Matriz
A este proceso se le llama Inferencia max-min o Composicin max-min:

Para ilustrar este proceso, asuma que A = (.2, .4, .6, 1) y la matriz difusa
.2 .2 .2
M = .4 .4 .4
.4 .6 .4
.4 .6 .4
Calculamos B utilizando la inferencia max-min como sigue:
b1 = max{min(.2, .2), min(.4, .4), min(.6, .4), min(1, .4)}
= max{.2, .4, .4, .4}
= 0.4
b2 = max{.2, .4, .6, .6}
b2 = 0.6
b3 = max{.2, .4, .4, .4}
b3 = 0.4
B =(.4, .6, .4)
40
Ideas Bsicas de Inferencia Difusa
[A [B , A
= [B

El siguiente problema es cmo formar la matriz M.
Zadeh en 1965 concibi un conjunto difuso como una funcin de distribucin
de posibilidad:
A = Distribucin de posibilidad
A = A (x)
A = [A
Zadeh tambin vio la necesidad de poder inferir informacin sobre un
conjunto B de la informacin adquirida de otro conjunto A relacionado.
Zadeh dise una matriz de distribucin de posibilidad condicional [B ,A
(lase B dado A) tal que al realizar la operacin de composicin con la
distribucin de posibilidad de A, poda obtener de regreso la distribucin de
posibilidad de B. Esto se expresa como:


Zadeh llam a esta tcnica la regla composicional de inferencia
41
Ideas Bsicas de Inferencia Difusa
La matriz [B ,A se forma con implicaciones de pares
seleccionados de dos conjuntos A y B:
a1 b1 a1 b2 ..... a1 bm
a2 b1 a2 b2 ..... a2 bm
.
.
.
an b1 an b2 ..... an bm

Al operador se le llama operador de implicacin

[B ,A =
42
Inferencia max-min
En la inferencia max-min el operador de implicacin usado es el
min: mij = min( ai, bj ). Lase B dado A.
Note que no es lo mismo B dado A, que A dado B.
Ejemplo:
Universo de discurso X: Temperatura
Conjunto Difuso A definido en X : Temperatura normal
Universo de discurso Y: Velocidad
Conjunto Difuso B definido en Y : Velocidad Media
Regla difusa:
IF temperatura es normal THEN velocidad es alta
o bien, IF A THEN B
43
Inferencia max-min
A= Temperatura normal = (0/100, .5/125, 1/150, .5/175, 0/200)
B= Velocidad alta = (0/60, .6/80, 1/100, .6/120, 0/140 )
formamos la matriz M acorde a la ecuacin
M = mij = min( ai, bj ). Lase B dado A

min(0., 0.) min(0., .6) min(0., 1.) min(0., .6) min(0., 0.)
min(.5, 0.) min(.5, .6) min(.5, 1.) min(.5, .6) min(.5, 0.)
min(1., 0.) min(1., .6) min(1., 1.) min(1., .6) min(1., 0.)
min(.5, 0.) min(.5, .6) min(.5, 1.) min(.5, .6) min(.5, 0.)
min(0., 0.) min(0., .6) min(0., 1.) min(0., .6) min(0., 0.)
44
0. 0. 0. 0. 0.
0. 0.5 0.5 0.5 0.
0. 0.6 1. 0.6 0.
0. 0.5 0.5 0.5 0.
0. 0. 0. 0. 0.

Ahora asuma que existe un subconjunto A dado por
A = (0/100, .5/125, 0/150, 0/175, 0/200)
Este subconjunto A representa la fusificacin (o mapeo) de una
lectura discreta (crisp) de 125 grados de temperatura a un conjunto
llamado temperatura normal y cuyo valor es A(125) = 0.5
Esto induce un subconjunto difuso B llamado velocidad alta que
determinamos a travs de la composicin max-min utilizando



p.e. b2 = max[ min(0,0), min(.5, .5), min(0,.6), min(0, .5), min(0,0) ]
B = (0/60, .5/80, .5/100, .5/120, 0/140)
b a m j
i n
i ij =
s s
max{min( )}
1
' ,
45
Inferencia tipo max-min
Esto induce un CD que es una versin recortada de B, cuya
altura es fijada por A, este es el efecto de la inferencia tipo
max-min como se puede ver en la siguiente figura:
Regla A B
IF A
THEN B
Lectura
A
B

0.5
46
Es importante notar que A fue limitando a un solo valor; esto
es, establecimos que la lectura de temperatura fuera de 125
lo cual da un vector A de ( 0 .5 0 0 0 ) que resulta en un B
de ( 0 .5 .5 .5 0 ).
En muchas aplicaciones del mundo real con un valor de
medida simple xn podemos usar A (xn) directamente con la
representacin difusa de B llamada B (y) , para obtener el
conjunto difuso inducido en B:
B = min[A(xn ) , B (y )]
Para nuestro ejemplo asumimos que la temperatura fue de
125, esto nos lleva a que A(125) = 0.5, por lo que
B = [min(.5, 0), min(.5, .6), min(.5, 1), min(.5, .6), min(.5,0)]
= ( 0, .5, .5, .5, 0 )
Este es el mismo resultado obtenido anteriormente, pero sin
tener que haber manipulado matrices difusas.

47
Inferencia max-product
En la inferencia max-product el operador de implicacin usado
es el de multiplicacin:
M = mij = ( ai x bj ) . Lase B dado A
Repitiendo el ejemplo anterior ahora para Max-Product:
Universo de discurso X: Temperatura
Conjunto Difuso A definido en X : Temperatura normal
Universo de discurso Y: Velocidad
Conjunto Difuso B definido en Y: Velocidad alta
Regla difusa:
IF temperatura es normal THEN velocidad es alta
o bien, IF A THEN B
48
Inferencia max-product
A= Temperatura normal = (0/100, .5/125, 1/150, .5/175, 0/200)
B= Velocidad alta = (0/60, .6/80, 1/100, .6/120, 0/140 )
formamos la matriz M acorde a la ecuacin
M = mij = ( ai x bj )

(0. x 0.) (0. x .6) (0. x 1.) (0. x .6) (0. x 0.)
(.5 x 0.) (.5 x .6) (.5 x 1.) (.5 x .6) (.5 x 0.)
(1. x 0.) (1. x .6) (1. x 1.) (1. x .6) (1. x 0.)
(.5 x 0.) (.5 x .6) (.5 x 1.) (.5 x .6) (.5 x 0.)
(0. x 0.) (0. x .6) (0. x 1.) (0. x .6) (0. x 0.)
49
0. 0. 0. 0. 0.
0. 0.3 0.5 0.3 0.
0. 0.6 1. 0.6 0.
0. 0.3 0.5 0.3 0.
0. 0. 0. 0. 0.

Al igual que antes, asuma que existe un subconjunto A dado por
A = (0/100, .5/125, 0/150, 0/175, 0/200);
Este subconjunto A representa la fusificacin (o mapeo) de una lectura
discreta (crisp) de 125 grados de temperatura a un conjunto llamado
temperatura normal y cuyo valor es A(125) = 0.5
Esto induce un subconjunto difuso B llamado velocidad alta que
determinamos a travs de la composicin max-min utilizando



p.e. b2 = max[min(0, 0), min(.5, .3), min(0, .6), min(0, .3), min(0, 0)] =.3
B = (0/60, .3/80, .5/100, .3/120, 0/140)
,
1
max{min( )} j i ij
i n
b a m
s s
'
=
50
Inferencia tipo max-product
Al igual que en el caso max-min, si la entrada es singleton
podemos calcular B como: B = A (xn ) . B (y ); es decir
B = A (125 ) . B (y ); B = 0.5 . B (y )
B= [(.5 x 0), (.5 x .6), (.5 x 1), (.5 x .6), (.5 x 0)] = ( 0, .3, .5, .3, 0 )
el resultado es el mismo pero sin manipular matrices
Esto induce un CD que es una versin escalada de B, cuya altura es
fijada por A como se puede ver en la siguiente figura:
Regla A B
IF A
THEN B
Lectura
A
B

0.5
51
Inferencia max-min con mltiples premisas


1 2 1 2
1 2 1 1 2 2
( ) IF is AND is THEN is
l l l l
Ru l l x A x A y B :
( ) 1 2 1 2
1 2
1 2
1 2
( , ) min ( ) ( ) ( )
l l l l
l l
B
B A A
y x x y
- - -
'
= , ,
x
( )
1 2
1 2
1 2
( , ) min ( )
l l
l l
B l l
B
y w y
-
'
= ,
x
1 2
l l
w
( ) 1 2
1 2
1 2
1 2
min ( ) ( )
l l
l l
A A
w x x o
- -
= = ,
Cuando el antecedente de la reglas tiene ms de una premisa
El conjunto inducido por cualquier valor de x, denotado por
*
1 2
[ , ]
T
x x x
- -
=
est dado por
52
Inferencia max-min con mltiples premisas
53
Inferencia max-prod con mltiples premisas


1 2 1 2
1 2 1 1 2 2
( ) IF is AND is THEN is
l l l l
Ru l l x A x A y B :
( ) 1 2 1 2
1 2
1 2
1 2
( , ) ( ) ( ) ( )
l l l l
l l
B
B A A
y x x y
- - -
'
=
x
( )
1 2
1 2
1 2
( , ) ( )
l l
l l
B l l
B
y w y
-
'
=
x
1 2
l l
w
Cuando el antecedente de la reglas tiene ms de una premisa
El conjunto inducido por cualquier valor de x, denotado por
1 2
1 2
1 2
1 2
( ) ( )
l l
l l
A A
w x x o
- -
= =
*
1 2
[ , ]
T
x x x
- -
=
est dado por
54
Inferencia max-prod con mltiples
premisas
55
Inferencia con mltiples reglas
Una vez obtenido B (y ) de cada una de las M reglas, es
necesario combinarlas para obtener la conclusin final (salida de
la mquina de inferencia).
Esto se hace comnmente mediante la operacin de unin, aunque
tambin puede hacerse por interseccin.
En nuestro caso lo haremos por unin usando el operador max.

1 2
1 2
( 1) ( 1) 1 1
1 2 1 2
2 2 2 2
( ) max ( )
( ) ( )
l l
N N N N
B B
l l
B B
y y
y y



' '
' '
=
= + +
donde
+
Denota la operacin de unin.
56
Unin de mltiples reglas
Proceso de combinacin por Unin, usando max-min
57
Unin de mltiples reglas
Proceso de combinacin por Unin, usando max-prod
58
Proceso de Defusificacin
La defusificacin es el paso por el cual la
conclusin difusa B (y ), obtenida por la
mquina de inferencia, es convertida a un valor
real (crisp) y*
Este valor y* es la salida del controlador difuso
que se aplicar a la planta a controlar
Existen varios mtodos para realizar la
defusificacin
59
Proceso de Defusificacin
Defusificadores:
Centro de gravedad (center of gravity)
Centro promedio (center average)
El ms grande de los mximos (largest of
maxima)
Media de los mximos (mean of maxima)
El ms pequeo de los mximos (smallest of
maxima)
Otros
60
Proceso de Defusificacin
Momento con respecto a ( )
( )
Area total
( )
( )
B
B
V
B
V
y
y
y y dy
y dy

- ' -
'
'
=
=
}
}
x
Centro de gravedad (center of gravity)
El centro de gravedad y* es especificado como el centro del
rea cubierta por la funcin de membresa B (y )
61
Proceso de Defusificacin
Centro de gravedad (center of gravity)
62
Proceso de Defusificacin
Centro promedio (center average)
1 1
1 2
2 2
1 2
1 2
1 1
1 2
1 2
2 2
1 1
1 2
2 2
1 2
1 1
1 2
1 2
2 2
( )
( )
( )
N N
N N
N N
N N
l l
l l
l l
l l
l l
w y
y
w




-
= =
-
-
-
= =
=


x
x
x
1 2
l l
y
1 2
( )
l l
w
-
x
es el centro de la funcin de membresa
es la altura de la funcin de membresa
63
Proceso de Defusificacin
Centro promedio (center average)
64
Proceso de Defusificacin
Centro promedio (center average)
Tambin puede expresarse como:
1 2
l l
y
1 2
( )
l l
w
-
x
es el centro de la funcin de membresa
es la altura de la funcin de membresa
1 1
1 2
2 2
1 2
1 1
1 2
1 2
2 2
1 1
1 2
2 2
1 1
1 2
1 2
2 2
1
1
( )
( )
( )
N N
N N l
i
i
N N
N N l
i
i
n
l l
i
l l A
i
n
i
l l A
i
x y
y
x





-
= =
= - -
-
= =
=
| |
|
\ .
=
| |
|
\ .
[
[
x
Representa un sistema difuso con inferencia producto y
defusificador centro promedio
65
Algunos Tipos de Defusificacin
66
Sistema Difuso
67
Sistema Difuso