Está en la página 1de 56

1

3. Introduccin a la Lgica
Difusa
Jorge Cabrera Gmez
Departamento de Informtica y Sistemas
Universidad de Las Palmas de Gran Canaria
Todos los derechos reservados
2
Contenidos

3. Introduccin a la Lgica Difusa
3.1 Teora de conjuntos difusos
3.2 Inferencia en lgica difusa
3.3 Un caso de estudio
3.4 Bibliografa bsica: [Cox-94], [Bend-96].
3
Introduccin a la Lgica Borrosa
Teora de conjuntos
difusos / borrosos
(Fuzzy set theory)

L. Zadeh, 1965
Modelos difusos
de representacin
y tratamiento de
la incertidumbre
Definicin.
Conjunto: La reunin de todos los elementos que
verifican una condicin



El conjunto de todos los elementos de Y que
verifican A(x)
)} ( | { x A Y x A e =
4
Introduccin a la Lgica Borrosa
Definicin.
Conjunto: La reunin de todos los elementos que
verifican una condicin



El conjunto de todos los elementos de Y que
verifican A(x)
)} ( | { x A Y x A e =
Teora clsica de conjuntos (Crisp set theory)
} 1 , 0 { ) ( e x
A

0 ) ( = x
A

1 ) ( = x
A

No pertenece
S pertenece
pertenencia de x al conjunto A
Teora de conjuntos difusos (Fuzzy set theory)
] 1 , 0 [ ) ( e x
A

Existe un rango de grados de pertenencia entre las posibilidades extremas


5
Introduccin a la Lgica Borrosa
Idea
Un conjunto difuso es un conjunto cuya fronteras
no estn bien definidas

(subjetividad, vaguedad, imprecisin, ...)

y, por tanto, la pertenencia o no de un elemento
al mismo contiene una cierta incertidumbre
Bayes
Aleatoriedad
de eventos
definidos de
manera precisa
Conjuntos Difusos
Subjetividad en la
calificacin de
eventos no
aleatorios
6
Ejemplo:
Sea el conjunto de las personas consideradas altas definido sobre el
conjunto de la poblacin espaola, y consideremos un elemento del
mismo denominado pepe. La cuestin de si pepe pertenece o no al
conjunto de las personas altas puede resolverse atendiendo a la
medida altura(pepe) y una funcin que mide la posibilidad de ser
considerado alto en base a la altura.
1.0
0.5
0.0

alto
(altura)
1.0 1.5 2.0 altura (m)
)) ( ( ) ( pepe altura
Alto
pepe
Alto
=
7
Definicin de la Funcin de posibilidad (Funcin de pertenencia)

1. Como una funcin de cualquier conjunto de parmetros p
k
(x)
del elemento x.


2. Por enumeracin de pares definidos sobre elementos discretos
del conjunto



donde

no representa una suma, sino una agregacin de pares.

a(x)/x no representa ningn cociente, sino un par
(posibilidad/elemento)
)) ( , ),... ( ), ( ( ) (
2 1
x p x p x p x
n A A
=

e
=
U x
A
x x A / ) (
Ejemplo:
Sea el ejemplo anterior donde se defina el conjunto de personas
altas. Si el conjunto de posibles alturas se representa por un
conjunto de alturas discretas, U, tal que,
U= { 1.30, 1.50, 1.70, 1.90, 2.10 }
podemos definir la distribucin de posibilidad de ser alto sobre
el conjunto U como:
ALTO = 0.0/1.30 + 0.2/1.50 + 0.5/1.70 + 0.8/1.90 + 1.0/2.10
8
Algunas funciones de pertenencia muy utilizadas
|
|
.
|

\
|
|
.
|

\
|

= 0 , , ) , , ; (
b c
x c
a b
a x
min max c b a x Triangular
1.0
0.5
0.0
0 50 100
) 80 , 60 , 20 ; (x Triangular
9
Algunas funciones de pertenencia muy utilizadas
|
|
.
|

\
|
|
.
|

\
|

= 0 , , 1 , ) , , , ; (
c d
x d
a b
a x
min max d c b a x l Trapezoida
) 95 , 60 , 20 , 10 ; (x l Trapezoida
1.0
0.5
0.0
0 50 100
10
Algunas funciones de pertenencia muy utilizadas
( )
2
) , ; (
o
o
c x
e c x Gaussiana

=
) 50 , 20 ; (x Gaussiana
1.0
0.5
0.0
0 50 100
11
Algunas funciones de pertenencia muy utilizadas
b
a
c x
c b a x Campana
2
1
1
) , , ; (
|
.
|

\
|

+
=
) 50 , 4 , 20 ; (x Campana
1.0
0.5
0.0
0 50 100
12
Algunas funciones de pertenencia muy utilizadas
) (
1
1
) , ; (
c x a
e
c a x Sigmoide

+
=
) 50 , 2 . 0 ; (x Sigmoide
1.0
0.5
0.0
0 50 100
13
Modificadores (Hedges)
Es posible introducir conjuntos difusos por transformacin
lingstica de uno dado. Algunos de los ms frecuentes son:
muy A
| |
2
) ( ) ( x
A
x
A muy
=
ms_o_menos A
| |
5 . 0
) ( ) (
_ _
x
A
x
A menos o ms
=
no A
| | ) ( 1 ) ( x
A
x
A no
=
En general, pueden introducirse nuevas clases de
cualificadores o modificadores en la forma:
)) ( ( ) ( x
A
t
F x
A t
=

14
Extensin cilndrica
En el caso de que se quiera realizar la composicin de dos
conjuntos cuyas bases de parmetros sean diferentes, ser
necesario definir una base de parmetros comunes.

A este proceso se le denomina Extensin Cilndrica.

Sea una distribucin posibilista del conjunto A sobre el parmetro
definido por U
1
, dada por:
U
1
= { 1, 2, 5 }



Y sea otra distribucin posibilista del conjunto B sobre el parmetro
definido por U
2
, tal que:
U
2
= { 8, 10, 15 }
5 / 6 . 0 2 / 7 . 0 1 / 3 . 0 / ) (
1 1
1 1
+ + =

eU x
A
x x
15 / 3 . 0 10 / 7 . 0 8 / 0 . 1 / ) (
2 2
2 2
+ + =

eU x
B
x x
15
Extensin cilndrica
Se define la extensin cilndrica de A sobre el producto cartesiano
de los parmetros U
1
y U
2
, dado por U
3
= U
1
xU
2
como:
U
2

8 10 15
1 (1,8) (1,10) (1,15)
U
1
2 (2,8) (2,10) (2,15)
5 (5,8) (5,10) (5,15)
)) 15 , 5 ( ) 10 , 5 ( ) 8 , 5 /(( 6 . 0
)) 15 , 2 ( ) 10 , 2 ( ) 8 , 2 /(( 7 . 0
)) 15 , 1 ( ) 10 , 1 ( ) 8 , 1 /(( 3 . 0 / ) (
3
+ +
+ + +
+ + + =

eU x
A
x x
)) 15 , 5 ( ) 15 , 2 ( ) 15 , 1 /(( 3 . 0
)) 10 , 5 ( ) 10 , 2 ( ) 10 , 1 /(( 7 . 0
)) 8 , 5 ( ) 8 , 2 ( ) 8 , 1 /(( 0 . 1 / ) (
3
+ +
+ + +
+ + + =

eU x
B
x x
16
Proyeccin
Es el proceso inverso al de Extensin cilndrica. De l se obtiene
una distribucin posibilista sobre un conjunto de parmetros
inferior de acuerdo con:


donde sup es el valor supremo sobre el parmetro x
n
.
)} ,..., , ( { sup ) ,..., , (
2 1 1 2 1 n A
x
n A
x x x x x x
n
=

Ejemplo: Sea la distribucin posibilista


A
(x,y) dada por:

A = 1.0/(1, 3) + 0.9/(1, 6) + 0.8/(1, 9)
0.7/(5, 3) + 0.6/(5, 6) + 0.5/(5, 9)
0.4/(8, 3) + 0.3/(8, 6) + 0.2/(8, 9)

tiene una proyeccin sobre Y,
A
(x), dada por:

A= 1.0/1 + 0.7/5 + 0.4/8

17
Reglas de Composicin
Dados los conjuntos A y B, cuyas distribuciones de posibilidad son
conocidas se define la distribucin de posibilidad de una
composicin de ambas como:


A*B
(x) = F
*
(
A
(x),
B
(x))
Unin:
AB
(x) = F

(
A
(x),
B
(x))
Interseccin:
AB
(x) = F

(
A
(x),
B
(x))
Complemento:
A
(x) = F

(
A
(x))
F

(
A
(x),
B
(x)) S-norma
F

(
A
(x),
B
(x)) T-norma

Normalmente las funciones
AB
(x),
AB
(x) y
A
(x) sern
dependientes de la semntica del conjunto. Sin embargo, se pueden
simplificar tales funciones suponiendo que dependen solamente de
las distribuciones de los conjuntos A y B por separado.
18
Simplificacin 1: Comportamiento montono
) ( ) ( x x B A
B A
s _
Por ejemplo: coches_veloces _ coches
) _ ( ) _ (
_
coche mi coche mi
coche veloces coches
s
Dado que se verifica: A _ A B
B _ A B
A B _ A
A B _ B

entonces por la simplificacin anterior deben verificarse tambin:

A
(x) s
AB
(x)

B
(x) s
AB
(x)

AB
(x) s
A
(x)

AB
(x) s
B
(x)

AB
(x) > max(
A
(x),
B
(x))

A B
(x) s min(
A
(x),
B
(x))
Esto implica que deben cumplirse
las siguienes restricciones sobre las
operaciones de unin e interseccin
19
Simplificacin 2: Definicin del complementario
Para definir la distribucin del conjunto complementario se asume la
siguiente simplificacin:
1 ) ( ) ( = +

x x
A A

Lo que equivale a:
) ( 1 ) ( x x
A A
=

20
Operadores de Zadeh:
Zadeh estableci como definicin de las leyes de pertenencia a los
conjuntos interseccin y unin las cotas mximas y mnimas
respectivamente de dichos conjuntos:

AB
(x) > max(
A
(x),
B
(x))

AB
(x) s min(
A
(x),
B
(x))

AB
(x) = max(
A
(x),
B
(x))

AB
(x) = min(
A
(x),
B
(x))

A
(x) = 1 -
A
(x)
Estas definiciones no estn exentas de paradojas, por ejemplo:

AA
(x) = max(
A
(x), 1 -
A
(x)) s 1
Un elemento puede no pertenecer del todo a un
conjunto y su complementario

AA
(x) = min(
A
(x), 1 -
A
(x)) > 0
Un elemento puede pertenecer a un conjunto y su
complementario
21
| |
p
p p
b a max
1
1 ) 1 ( ) 1 ( , 0 1 +

| |
p
p p
b a max
1
1 , 0


+
) , ( e p
ab
ab b a
) 1 ( 1
) 2 (



+
) )( 1 ( ab b a
ab
+ +
) , 0 ( e
(


+

1
) 1 )( 1 (
1 log 1
1 1
s
s s
b a
s (


+
1
) 1 )( 1 (
1 log
s
s s
b a
s
) , 0 ( e s
| |
w w w
b a min
1
) ( , 1 +
( )
(

+
w
w w
b a min
1
) 1 ( ) 1 ( , 1 1 ) , 0 ( e w
) , 1 , 1 (
) 1 , , (
o
o
b a max
b a min ab b a

+
) , , ( o b a max
ab
) 1 , 0 ( e o


1
1
1
1
1
1
1


(
(

|
.
|

\
|
+
|
.
|

\
|
+
b a
) , 0 ( e


1
1
1
1
1
1
1
(
(

|
.
|

\
|
+
|
.
|

\
|
+
b a
Uniones difusas Intersecciones difusas Rango
22
Lgica Difusa
Se construye a partir de la teora de conjuntos difusos
El grado de verdad o certeza de una proposicin p es un valor
en el contnuo [0,1]

proposicin p: X es A

p
(x) =
A
(x)
Para completar el clculo de proposiciones se definen los
conectores AND, OR y NOT

p . q : (X es A) . (Y es B)
p v q : (X es A) v (Y es B)
p: (X es A)
23
Lgica Difusa
Para completar el clculo de proposiciones se definen los
conectores AND, OR y NOT

p . q : (X es A) . (Y es B)
p v q : (X es A) v (Y es B)
p: (X es A)

Puede ocurrir que las distribuciones posibilistas
p
y

q
no estn
definidas sobre la misma base de parmetros. En ese caso es
necesario extender cilndricamente dichas distribuciones.

Por otro lado debe recordarse que :

pvq
(x) > max(
p
(x),
q
(x))

p.q
(x) s min(
p
(x),
q
(x))
24
Lgica Difusa
En general, definiremos las funciones and(), or() y not() como:

pvq
(x) = or(
p
(x),
q
(x))

p.q
(x) = and(
p
(x),
q
(x))

p
(x) = not(
p
(x))
En el caso ms general:

pvq
(x,y) = or(
p
(x),
q
(y))

p.q
(x,y) = and(
p
(x),
q
(y))
Las funciones and(), or() y not() son dependientes de la
semntica de las proposiciones o Universo del Discurso. Deben
verificar en cualquier caso las siguientes relaciones para ser
compatibles con los valores booleanos en el lmite de no
borrosidad:
25
Lgica Difusa
Las funciones and(), or() y not() son dependientes de la
semntica de las proposiciones o Universo del Discurso. Deben
verificar en cualquier caso las siguientes relaciones para ser
compatibles con los valores booleanos en el lmite de no
borrosidad:
or(1, u) = 1
or(0, u) = u
and(1, u) = u
and(0, u) = 0
not(1) = 0
not(0) = 1
Un conjunto muy amplio de funciones
cumplen estas restricciones.

Dos modelos muy empleados son los
siguientes
Modelo de Zadeh:

or1(u, v) = max(u, v)
and1(u, v) = min(u, v)
not(u) = 1 - u
Modelo Pseudoprobabilstico:

or2(u, v) = u + v - uv
and2(u, v) = uv
not(u) = 1 - u

26
Lgica Booleana
A) p v p 1
B) p . p 0
C) p v (q v r) (p v q) v r
D) p . (q . r) (p . q) . r
E) p v (q . r) (p v q) . (p v r)
F) p . (q v r) (p . q) v (p . r)
G) (p v q) p . q
H) (p . q) p v q
Modelo de Zadeh
or1(u, v) = max(u, v)
and1(u, v) = min(u, v)
not(u) = 1 - u
A) max(u, 1- u) = 1
B) min(u, 1 - u) = 0
C)
D)
E)
F)
G)
H)
27
Lgica Booleana
A) p v p 1
B) p . p 0
C) p v (q v r) (p v q) v r
D) p . (q . r) (p . q) . r
E) p v (q . r) (p v q) . (p v r)
F) p . (q v r) (p . q) v (p . r)
G) (p v q) p . q
H) (p . q) p v q
Modelo Pseudoprobabilstico
or2(u, v) = u + v -uv
and2(u, v) = uv
not(u) = 1 - u
A) u + (1- u) - u(1-u) = 1
B) u(1 - u) = 0
C)
D)
E)
F)
G)
H)
28
Demostracin de la primera ley de Morgan
p v q=max(p,q)
p > q p 1 - p 1 - p
p < q q 1 - q 1 - q
(pv q)=1-max(p,q) p . q = min(1-p,1-q)
(p v q) p . q
p v q
p+ q - pq 1 - p - q + pq (1 - p)(1 - q) = 1 - p - q + pq
(pv q) p . q
29
Inferencia Difusa
La operacin de implicacin se puede expresar en la forma:

p q : si (X es A) entonces (Y es B)

donde A y B son variables lingsticas definidas como conjuntos
difusos sobre los universos de discurso de X e Y respectivamente.
Ejemplos:
Si la presin es baja entonces el volumen es grande
Si el tomate es rojo entonces est maduro
Si la velocidad es alta entonces frenar ligeramente
30
Inferencia Difusa
El principal problema para establecer un valor de certeza a este
operador estriba en definir una interpretacin del mismo.

Sea imp() una funcin que proporciona la certeza en una frmula
con implicacin. Veamos posibles interpretaciones:
31
A) Basada en la equivalencia siguiente, vlida en el lmite booleano
p q p v q
p q p q p pv q q p .q (p .q)

T T T F T F F T
T F F F F T T F
F T T T T F F T
F F T T T T F T
)) ( )), ( ( ( )) ( ), ( ( ) , ( y
q
x
p
not or y
q
x
p
imp y x
q p
= =

De acuerdo con esta interpretacin y segn los operadores ya definidos:



imp1(u, v) = max(1 - u, v)
imp2(u, v) = (1 - u) + v - (1 - u)v

)))) ( ( ), ( ( ( )) ( ), ( ( ) , ( y
q
not x
p
and not y
q
x
p
imp y x
q p
= =

32
B) Basada en la idea: La certeza del consecuente es superior o igual a
la conjuncin del antecedente e implicacin
p . (p q) q (modus ponens)
) ( ))) ( ), ( ( ), ( ( y
q
y
q
x
p
imp x
p
and s
v v u imp u and s )) , ( , (
B1) min(u, imp(u, v)) s v




B2) u * imp(u, v)) s v

>
s
=
v u v
v u
v u imp
1
) , ( 3

>
s
=
v u
u
v
v u
v u imp
1
) , ( 4
C) Implicacin de Lukasiewicz

imp5(u, v) = min(1 - u + v, 1)
33
Modus Ponens

Empleando alguna de las definiciones anteriores de implicacin es posible
definir el proceso de inferencia difusa empleando modus ponens.

p . (p q) q

Dadas las certezas de un antecedente y la de la implicacin, la
determinacin de la certeza del consecuente se realiza en base a una
funcin generadora del modus ponens que denominaremos mod()
La funcin mod() debe verificar una serie de propiedades, algunas de
las cuales son las siguientes:
a) mod(u, imp(u, v)) s v
b) mod(1, 1) = 1
c) mod(0, u) = v
d) u s v mod(u, w) s mod(v, w)
a) La funcin mod() tiene como
cota superior la certeza del
consecuente
b) Este es el lmite booleano del
modus ponens

c) De un antecedente completamente
falso puede concluirse cualquier
cosa

d) La funcin mod() debe ser
montona creciente con la certeza
del antecedente
34
Funciones generadoras del modus ponens que resultan de las
definiciones de la funcin implicacin presentadas anteriormente:

>
s
= =
u v v
u v
v u v u max v u imp
1
1 0
) , ( 1 mod ) , 1 ( ) , ( 1

> +
=
= - + =
0 ) 0 , 1 (
0 0
) , ( 2 mod 1 ) , ( 2
u v u max
u
v u v u u v u imp
) , ( ) , ( 3 mod
1
) , ( 3 v u min v u
v u v
v u
v u imp =
>
s
=

v u v u
v u
u
v
v u
v u imp - =
>
s
=

) , ( 4 mod
1
) , ( 4
) 0 , 1 ( ) , ( 5 mod ) 1 , 1 ( ) , ( 5 + = + = v u max v u v u min v u imp
35
Todas estas expresiones son vlidas para la realizacin de inferencia en
casos anlogos al siguiente:

regla: si (x es A) entonces (y es B)
premisa: (x es A)

(y es B)
) , ( y x
q p

) (x
p

) ( y
q

Y tambin en casos como el siguiente, donde A y A poseen la misma


base de parmetros:

regla: si (x es A) entonces (y es B)
premisa: (x es A )

(y es B)
) , ( y x
q p

) (
'
x
p

) (
'
y
q

|
|
|
.
|

\
|

= ) , ( ), (
'
mod sup ) (
'
y x
q p
x
p
x
y
q


regla: si (el coche es viejo) entonces (el coche es ruidoso)
premisa: (el coche es bastante viejo)

(el coche es bastante ruidoso)



36
Razonamiento difuso basado en la composicin Max-Min
Sean A y A conjuntos difusos en X y sea B otro conjunto difuso en Y.
Supongamos que la implicacin difusa (A B) definida sobre X x Y se
expresa como:
)) ( ), ( ( ) , ( y
B
x
A
min y x
B A
=

Ntese que esta definicin de la implicacin no es sino una


expresin equivalente a imp3(u, v).



>
s
=
v u v
v u u
v u min u min )) , ( , (
Consideremos la regla,
si (x es A) entonces (y es B)
y la premisa
(x es A )

El conjunto difuso inducido B, se define segn hemos visto como

|
|
|
.
|

\
|

= ) , ( ), (
'
mod sup ) (
'
y x
B A
x
A
x
y
B

(
(

. v = ) , ( ) (
'
y x
B A
x
A
x

37
1. Una regla con un nico antecedente
) (
) ( ) ( ) (
'
)) ( ), ( ( ), (
'
sup ) (
'
y
B
w
y
B
x
A
x
A
x
y
B
x
A
min x
A
min
x
y
B



. =
. . v
=
(
(
(

|
|
|
.
|

\
|

|
|
|
.
|

\
|
=
Para este caso la ecuacin anterior se transforma en:
donde w representa un ndice de compatibilidad entre la premisa y el
antecedente de la regla.

x
A A

x
w
B
B
38
si (x es A) y (y es B) entonces (z es C)
(x es A ) y (y es B )

(z es C )
2. Una regla con dos antecedentes
Una regla de este tipo puede representarse por una implicacin
A x B C de manera que:
|
|
.
|

\
|
=

) ( ), ( ), ( ) , , ( z
C
y
B
x
A
min z y x
C AxB

( )
(
(
(

|
|
|
.
|

\
|
|
|
|
.
|

\
|
(
(
(

|
|
|
.
|

\
|
|
.
|

\
|
=

=
) ( ), ( ), ( , ) (
'
), (
'
,
sup
) , , ( , ) (
'
), (
'
,
sup ) (
'
z
C
y
B
x
A
min y
B
x
A
min min
y x
z y x
C AxB
y
B
x
A
min min
y x
z
C


39
(
(
(

|
|
|
.
|

\
|
|
|
|
.
|

\
|
|
.
|

\
|
= ) ( ), ( ), ( , ) (
'
), (
'
,
sup ) (
'
z
C
y
B
x
A
min y
B
x
A
min min
y x
z
C

| |
| | | |
) (
2 1
) ( ) ( ) (
'
) ( ) (
'
) ( ) ( ) ( ) (
'
) (
'
,
) ( ) ( ) ( ) (
'
) (
'
,
) (
'
z
C
w w
z
C
y
B
y
B
y
x
A
x
A
x
z
C
y
B
x
A
y
B
x
A
y x
z
C
y
B
x
A
y
B
x
A
y x
z
C




. . =
. . . . =
. . . . =
. . . . =

(
(

(
(

v v
v
v
donde w
1
. w
2
se puede asociar con el grado de satisfaccin
o intensidad de disparo de la regla
40

x
A A

x
w
1

C
C
| |
| | | |
) (
2 1
) ( ) ( ) (
'
) ( ) (
'
) ( ) ( ) ( ) (
'
) (
'
,
) ( ) ( ) ( ) (
'
) (
'
,
) (
'
z
C
w w
z
C
y
B
y
B
y
x
A
x
A
x
z
C
y
B
x
A
y
B
x
A
y x
z
C
y
B
x
A
y
B
x
A
y x
z
C




. . =
. . . . =
. . . . =
. . . . =

(
(

(
(

v v
v
v
2. Una regla con dos antecedentes

x
B B
w
2

min
41
3. Mltiples reglas con mltiples antecedentes
La interpretacin de mltiples reglas se toma usualmente como la
unin de las inferencias difusas obtenidas de cada una de las reglas.
hecho: (x es A ) y (y es B )
regla 1: si (x es A
1
) y (y es B
1
) entonces (z es C
1
)
regla 2: si (x es A
2
) y (y es B
2
) entonces (z es C
2
)

consecuencia: (Z es C )
Resulta intuitivo observar que del caso anterior C = C
1
C
2

42

x
A
1
A

x
w
11

C
1

C
1


x
B
1
B
w
12

min

x
A
2
A

x
w
21

C
2

C
2


x
B
2
B
w
22


x
C
max
43
Cuando una regla difusa asume la forma

si (x es A) o (y es B) entonces (z es C)

la intensidad de disparo de la regla (w) viene dada por el mximo de
los grados de correspondencia de los antecedentes. Esto es:



donde:
( ) ) (
2 1
) (
'
z
C
w w z
C
. v =
| | ) (
'
) (
' 1
x
A
x
A
x
w . =v
| | ) (
'
) (
' 2
y
B
y
B
y
w . =v
44
Mtodos de concentracin (Defuzzification)
La utilizacin de reglas de inferencia
difusas produce, tras la evaluacin,
un conjunto difuso para cada
variable del modelo:

Ejemplo:

si (x es X) entonces (D es A)
si (y es Y) entonces (D es B)
si (z es Z) entonces (D es C)

El conjunto resultante D es un
conjunto difuso que representa a
una cierta variable D a la que
normalmente es necesario asignar
un valor escalar.


x
A

y
B

y
C

y
D
Valor escalar
45
Mtodos de concentracin (Defuzzification)

x
menor de maximos
media de maximos
mayor de maximos
centroide
Posibles medidas
Todos son mtodos heursticos
para encontrar el valor que
mejor representa o sintetiza la
informacin contenida en el
conjunto difuso.
Uno de los ms empleados:

Centroide:

=
i
i
x
i
i
x
i
x
d
) (
) (

46
Un caso de estudio:

Control Difuso de una turbina de vapor
Introduccin:
Se pretende controlar la inyeccin de combustible en
una turbina de vapor al objeto de mantener
constante la velocidad. La cantidad de combustible
que se consume por unidad de tiempo (tasa de
consumo) se incrementa o disminuye mediante la
apertura o cierre, repectivamente, de la vlvula de
inyeccin en funcin de la temperatura y la presin
en la caldera.
47
Se pretende controlar la inyeccin de combustible en una turbina de
vapor al objeto de mantener constante la velocidad. La cantidad de
combustible que se consume por unidad de tiempo (tasa de
consumo) se incrementa o disminuye mediante la apertura o cierre,
repectivamente, de la vlvula de inyeccin en funcin de la
temperatura y la presin en la caldera.
Sensor de
temperatura
Sensor de
presin
Controlador
de la
vlvula de
inyeccin
Planta de la
turbina
P(t)
T(t)
Sensores
Sensor
RPM
RPM(t)
I(t)
Sensor
RPM
RPM(t)
48
1. Descomponer cada variable del modelo en un conjunto
de regiones difusas (vocabulario de cada variable)
110 220 330 C
1
M
U
Y
_
B
A
J
A

B
A
J
A

O
P
T
I
M
A

A
L
T
A

M
U
Y
_
A
L
T
A

TEMPERATURA
49
10 120 230 Kg/m2
1
M
U
Y
_
B
A
J
A

B
A
J
A

O
P
T
I
M
A

A
L
T
A

M
U
Y
_
A
L
T
A

PRESIN
50
-60 0 60 cm/sg
1
C
E
R
R
A
R
_
M
U
C
H
O

(
C
M
)

C
E
R
R
A
R

(
C
)

D
E
J
A
R
_
I
G
U
A
L

(
O
K
)

A
B
R
I
R

(
A
)

A
B
R
I
R
_
M
U
C
H
O

(
A
M
)

ACCIONES SOBRE
LA VLVULA
C
E
R
R
A
R
_
U
N
_
P
O
C
O

(
C
P
)

A
B
R
I
R
_
U
N
_
P
O
C
O

(
A
P
)

51
2. Sintetizar las reglas de control (base de conocimiento)
Por ejemplo:

[R1] Si la temperatura es baja y la presin es muy_baja
entonces la accin sobre la vlvula es abrir_mucho

[R2] Si la temperatura es baja y la presin es baja
entonces la accin sobre la vlvula es abrir

[R3] Si la temperatura es baja y la presin es ptima
entonces la accin sobre la vlvula es dejar_igual

[R4] Si la temperatura es baja y la presin es alta
entonces la accin sobre la vlvula es cerrar
52
3. El Algoritmo
A. Leer los sensores de presin y temperatura
B. Hacer
solucin
(x) = 0
C. Para todas la reglas cuyos antecedentes no sean nulos

C.1 Obtener el mnimo de todos los predicados conectados por
operadores conjuntivos (AND) en el antecedente de la regla.
P
certeza
= min(E
1
, E
2
, ..., E
n
)

C.2 Obtener la certeza de la regla

control
(x) = min(
regla
(x), P
certeza
)

C.3 Asignar el conjunto difuso obtenido en
control
(x) al conjunto
solucin mediante una operacin de mximo (OR)

solucin
(x) = max(
solucin
(x),
control
(x) )

D. Concentrar
solucin
(x) (p.e. obteniendo el centroide) para obtener el
valor escalar que requiere la accin de control.
53
Veamos como funciona
Supongamos que tras leer los sensores, la presin cae dentro del
dominio de los conjuntos difusos OPTIMA y BAJA; y la temperatura
se incluye dentro del conjunto difuso BAJA.

Las reglas cuyos antecedentes no son nulos son:

[R2] Si la temperatura es baja y la presin es baja
entonces la accin sobre la vlvula es abrir

[R3] Si la temperatura es baja y la presin es ptima
entonces la accin sobre la vlvula es dejar_igual



54
110 220 330 C
1
M
U
Y
_
B
A
J
A

B
A
J
A

O
P
T
I
M
A

A
L
T
A

M
U
Y
_
A
L
T
A

10 120 230 Kg/m2
1
M
U
Y
_
B
A
J
A

B
A
J
A

O
P
T
I
M
A

A
L
T
A

M
U
Y
_
A
L
T
A

-60 0 60 cm/sg
1
C
E
R
R
A
R
_
M
U
C
H
O

(
C
M
)

C
E
R
R
A
R

(
C
)

D
E
J
A
R
_
I
G
U
A
L

(
O
K
)

A
B
R
I
R

(
A
)

A
B
R
I
R
_
M
U
C
H
O

(
A
M
)

C
E
R
R
A
R
_
U
N
_
P
O
C
O

(
C
P
)

A
B
R
I
R
_
U
N
_
P
O
C
O

(
A
P
)

55
110 220 330 C
1
BAJA
10 120 230 Kg/m2
1
BAJA
-60 0 60 cm/sg
1
ABRIR (A)
0.48
0.57
110 220 330 C
1
BAJA
10 120 230 Kg/m2
1
OPTIMA
-60 0 60 cm/sg
1
DEJAR_IGUAL (OK)
Temperatura Presin
Acciones de control
sobre la vvula
-60 0 60 cm/sg
1
DEJAR_IGUAL (OK)
Centroide= 23 cm/sg
0.48
0.25
56
Bibliografa.

[Cox-94] E. Cox
The Fuzzy Systems Handbook
Academic Press, 1994

[Bend-96] E. Bender
Mathematical Methods in Artificial Intelligence
IEEE Computer Society Press, 1996.