INTELIGENCIA

ARTIFICIAL
UTS
Sbado 12:45-3:45
Ivn Daro Estvez Reyes MSc
Correo: ivandarioe@hotmail.com
Programa
Mdulo I. Introduccin.
Introduccin a la Lgica Difusa.
Variables Lingsticas, Variables Difusas y Reglas Difusas.
Lgica Difusa y Razonamiento Aproximado.
Operaciones conjuntos difusos
Ejemplos
Ejercicio en Matlab pndulo invertido
Tema Fuzzy C mean, Clster


Mdulo II. Redes Neuronales.
Mdulo III. Algoritmos Genticos.

Documentacin
Knowledge-Based Control Systems,
ROBERT BABUSKA, Delft Center for Systems and Control Faculty of
Mechanical Engineering Delft University of Technology The
Netherlands

Conjuntos y Sistemas Difusos,
Universidad de Mlaga

Sistemas Difusos,
Universidad de Valencia, Profesora: Mara Jos Gacto,
Toolbox Matlab, fmid-v40_toolbox_matlab, Robert Babuzca
Bibliografia
FUZZY AND NEURAL CONTROL
DISC Course Lecture Notes (November 2009)
ROBERT BABUSKA,Delft Center for Systems and Control

1. Conceptos y
Fundamentos de Lgica
Difusa.
1 Introduccin .
La tcnica esencial de la lgica difusa se basa en
cuatro conceptos fundamentales:
1). conjuntos difusos.- son conjuntos con fronteras
uniformes o suaves.

2). variables lingsticas.- Son variables cuyos valores
son descritos cualitativamente y cuantitativamente
por un conjunto difuso.

3). Distribuciones de posibilidad.- restricciones
impuestas en el valor de una variable lingstica al
asignarle un conjunto difuso.

4). Reglas difusas si-entonces.- un esquema de
representacin del conocimiento para describir una
proyeccin funcional o una frmula lgica que
generaliza una implicacin en la lgica de dos
valores.
Nota:
Los tres primeros conceptos son fundamentales
en todas las sub-reas de la lgica difusa.

Tambin, el cuarto concepto es importante
debido a que es la base de la mayora de las
aplicaciones industriales de la lgica difusa
desarrolladas hasta hoy, lo cual incluye muchos
sistemas de control lgico difuso.
ESCOM SN-I 9

La ciencia tradicional busca representar
al mundo mediante modelos
matemticos, la naturaleza del
cerebro humano procesa las reglas que
ataen a una situacin en particular en
forma global y difusa,
FUZZY LOGIC REPRESENTATION
For every problem must
represent in terms of
fuzzy sets.

What are fuzzy sets?

Slowest
Fastest
Slow
Fast
[ 0.0 0.25 ]
[ 0.25 0.50 ]
[ 0.50 0.75 ]
[ 0.75 1.00 ]
FUZZY LOGIC REPRESENTATION CONT.
Slowest Fastest
float speed;
get the speed
if ((speed >= 0.0)&&(speed < 0.25)) {
// speed is slowest
}
else if ((speed >= 0.25)&&(speed < 0.5))
{
// speed is slow
}
else if ((speed >= 0.5)&&(speed < 0.75))
{
// speed is fast
}
else // speed >= 0.75 && speed < 1.0
{
// speed is fastest
}


Slow Fast

Problema A: Control automtico
de una lavadora
La naturaleza de las decisiones que realizan los seres humanos en este
problema es fcil de entender y modelar.
Tarea: Se desea automatizar la seleccin del ciclo y el tiempo de lavado
basado en la cantidad de ropa y lo sucia que esta la ropa, lo cual es
proporcionado por dos transductores.
Cantidad de Ropa.

Que tan sucia esta
la ropa

Seleccin
Automtica

Ciclo de lavado.
Tiempo de lavado.
2.1.2 Conjuntos Difusos
Un conjunto difuso es un conjunto con
fronteras suaves.
A
~
A
Fronteras en conjuntos clsicos Fronteras en conjuntos difusos

La teora de conjuntos difusos permiten que la
membresa sea graduada en un conjunto da
solucin a las limitacin que se presenta en la
teora de conjuntos clsica.
Un conjunto difuso se define como una funcin
que proyecta objetos de un dominio de
conceptos (denominado Universo de Discurso) a
sus valores de membresa en el conjunto.
Dicha funcin se define como Funcin de
Membresa y es denotada por el smbolo Griego
.
Por ejemplo:
Representacin de Familias de ingresos-altos.
80 K 120 K
Ingresos al ao
Alto

1
El conjunto difuso es asociado a un trmino lingstico
1



0
35 55 75 V
max

baja media rpida
Figura 3.1 La velocidad de un carro como una variable lingstica que
puede tomar conjuntos difusos baja y rapida como sus valores.
Trminos lingsticos: beneficios
Asociar un conjunto difuso a un trmino
lingstico ofrece dos beneficios importantes:
1. La asociacin hace ms fcil que un operador
experto exprese su conocimiento usando trminos
lingsticos.
2. El conocimiento expresado en trminos
lingsticos es ms fcil de comprender.
Estos beneficios resultan en un ahorro
significante en el costo del diseo, la
modificacin, y el mantenimiento de un sistema
lgico difuso.
Un concepto importante en la Lgica Difusa, que
permite tener los dos beneficios descritos, es el
de Variable lingstica.
Es importante subrayar que un conjunto difuso
siempre se define a partir del contexto de que se trate,
auque dicho contexto no este explicito en el
modelado del sistema. Tambin, el contexto de
definicin de un termino lingstico
generalmente es especificado implcitamente
dentro de la aplicacin en la cual es utilizado.
2.1.2.1 Diseo de Funciones de
Membresa
Se puede entender por conjunto clsico: una
coleccin o clase de objetos bien definidos.

Objetos que pueden ser cualquier cosa, tales
como: nmeros, ciudades, colores, animales,
temperatura, etc. Estos objetos se conocen como elementos
o miembros del conjunto.
En la teora de los conjuntos clsicos, se
utiliza la notacin de funcin caracterstica,
( _
A
), para indicar cuando un elemento
cualquiera pertenece o no a un conjunto.

El universo de discurso es el universo de
toda la informacin disponible en un
problema dado.
Un conjunto difuso es un conjunto que contiene
elementos, los cuales varan su
grado de pertenencia en el
conjunto.

El concepto de funcin de membresa en la teora de los
conjuntos difusos es una medida de la pertenencia
graduada de un elemento en un conjunto difuso.

Funcin de Membresa
Un elemento u de U.
Puede no pertenecer a A: (
A
(u) = 0),
Pertenecer un poco: (
A
(u) = con un valor cercano a 0),
Pertenecer moderadamente: (
A
(u) = con un valor no
muy cercano a 0 pero tampoco a 1),
Pertenecer demasiado: (
A
(u) = con un valor muy
cercano a 1),
Pertenecer totalmente a: (
A
(u)=1).
Debido a que el cambio de la funcin de
membresa de un conjunto a otro es
gradual en los conjuntos difusos, dichos
conjuntos son agrupamientos de elementos
en clases, tambin llamados etiquetas
difusas, las cuales a diferencia de los
conjuntos clsicos, no poseen fronteras
bien definidas.
Cmo se determina la forma exacta de
la funcin de membresa para un
conjunto difuso?.
Una funcin de membresa se puede disear en
tres formas distintas:
(1). Entrevistando a quienes estn
familiarizados con las conceptos importantes del
sistema, y ajustndolos durante el proceso
mediante una estrategia de sintonizacin (hasta
los 80s).
(2). Construyndola directamente a partir de los
datos (2 y 3, despus de los 80s).
(3). Mediante el aprendizaje basado en la
retroalimentacin de la ejecucin del sistema.
Se han desarrollado muchas tcnicas para definir
la forma de las funciones de membresa (FM)
utilizando tcnicas estadsticas, redes neuronales
artificiales y algoritmos genticos.

Se debe de tener especial cuidado al disear las
FMs. Aun que se puede definir una FM de
forma arbitraria, se recomienda que se utilicen
FM parametrizables que puedan ser definidas
por un nmero pequeo de parmetros.
FMs ms utilizadas: Simplicidad
Funcin de membresa
triangular y sus parmetros.
l p r

1
l l p r p r

1
Funcin de membresa
trapezoidal y sus parmetros.
Estrategias especificas para seleccionar y ajustar las FMs se vern despus.
Definicin 3.1:
Si una variable puede tomar palabras en lenguaje
natural como sus valores, se denomina
una variable lingstica, donde las
palabras son caracterizadas por conjuntos
difusos definidos en el universo de discurso en
el cual la variable es definida.
Ejemplo 3.1
La velocidad de un carro es una variable x
que toma valores en el intervalo [0, V
max
], donde
V
max
es la mxima velocidad del carro. Se
definirn tres conjuntos difusos: baja,
media, y rpida en [0, V
max
] como se
muestra en la figura 3.1. Si x es una variable
lingstica, entonces se puede tomar baja,
media y rpida como sus valores.
La definicin 3.1 da una simple e intuitiva definicin
para variables lingsticas. En la literatura de la
teora difusa, una definicin ms formal de una
variable lingstica es la propuesta y empleada por
Zadeh.
1



0
35 55 75 V
max

baja media rpida
Velocidad del carro (mph)
Figura 3.1 La velocidad de un carro como una variable lingstica que
puede tomar conjuntos difusos baja y rapida como sus valores.
Definicin 3.2:
Una variable lingstica es caracterizada por (X,
T, U, M) donde:
X es el nombre de la variable lingstica; en el ejemplo
3.1, X es la velocidad del carro.
T es el conjunto de valores lingsticos que X puede
tomar; en el ejemplo 3.1, T = {baja, media, rpida}.
U es el dominio fsico (universo discuroso) actual en el
cual la variable lingstica X toma sus valores
cuantitativos (crisp); en el ejemplo 3.1, U = [0, V
max
].
M es una regla semntica que relaciona cada valor
lingstico en T con un conjunto difuso en U; en el
ejemplo 3.1, M relaciona baja, media, rapida con
las funciones de membresa mostradas en la Fig. 3.1.




Algunas definiciones







Operaciones en conjuntos
difusos

Unin
Interseccin
Complemento
Extencion cilindrica
Producto cartenciano fuzzy
Operaciones Lgicas Difusas
Un operador comn de conjuncin (AND) difusa
es el operador mnimo. Con frecuencia la
interseccin difusa se define como:

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

Interseccin: En conjuntos difusos es el grado de
membresa que dos conjuntos comparten. Una
interseccin difusa es el menor de la membresa
de cada elemento en ambos conjuntos.
Por ejemplo:
Se puede definir un conjunto difuso A de los
nmeros reales muy cercanos a 8 y B como el
conjunto difuso de los nmeros reales muy cercanos
a 15. Entonces, A B se definira como el
conjunto difuso de los nmeros reales muy cercanos
a 8 y a 15. Tomando en cuenta la ecuacin:


y A = (1 0.8 0.4 0.5) y B = (0.9 0.4 0.0 0.7) se
tiene que:

AB
(x) = (0.9 0.4 0.0 0.5).
( ) ( ) ( ) ( ) ( ) ( ) x x x x x
B A B A B A
, min = . =

Representacin de la Interseccin de difusa

conjuncin difusa.


1
Temperatura
A B

BajaMedia

Operaciones Lgicas Difusas
Un operador comn de disyuncin difusa es el
operador mximo. Por lo tanto, con frecuencia
la unin difusa se define como:

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

La unin (o disyuncin) difusa, se lee o difusa,
y representa al conjunto difuso ms pequeo
que contiene a A y que contiene a B. El
operador max (v), toma como valor verdadero
el valor mximo de la funcin de membresa del
elemento x en A y B.
Ejemplo:
Se puede definir al conjunto difuso A de los
nmeros reales muy cercanos a 8 y B como el
conjunto difuso de los nmeros reales muy cercanos
a 15.
Tomando en cuenta la ecuacin.



y que A = (1 0.8 0.4 0.5) y B = (0.9 0.4 0.0 0.7)
se tiene que:

AB
(x) = (1 0.8 0.4 0.7).
( ) ( ) ( ) ( ) ( ) ( ) x x x x x
B A B A B A
, max = v =

Representacin de la Unin difusa

disyuncin difusa.
Temperatura

BajaMedia

A B


1
Operaciones Lgicas Difusas
El complemento de un conjunto difuso A se define por
la diferencia entre uno y el grado de membresa en A:

A
c (x)= 1-
A
(x)
Complemento (negacin difusa): El complemento de un
conjunto difuso es la cantidad que la membresa necesita
para alcanzar 1. Sea U un conjunto cualquiera y M =
[0,1], su conjunto asociado de membresa. Si se considera
a un conjunto difuso AeU, entonces el complemento de
A ser:

evidentemente, se cumple que:
(A) = A
( ) ( )

A A
u u u U = e 1 ,
Representacin del complemento de un
conjunto difuso negacin difusa

Medio

Medio


1
Temperatura









Ejemplo de los tanques













Ub(y): grado de
pertenencia





COG
EJERCICIOS
EXTENCION CILINDRICA
EJEMPLO 1 MAMDANI
EJERCICIO 1 MAMDANI
TAKAGI SUGENO
EJERCIO TAKAGI SUGENO
EJEMPLO MATLAB PENDULO
INVERTIDO
Agosto 25/2012
Ub(y): grado de
pertenencia
EJERCICIOS
Extencion cilindrica ejemplo
y1 y2
x1
x2
Ejemplo 1 Mamdani
A(3)=(3-1)
(4-1)
=0.66
Ejemplo Mamdani
cm, caso discreto

a)
reglas
TAKAGI SUGENO

Y=0.1(-10)+6.4=5.4
Y=0.1(-5)+6.4=5.9
Taqkagui sugeno
Ejercicio Takagi Sugeno

Respuesta
0.1(1+4+1)+0.9(2*(1)+4+1)+0.1(2*1+3*4)+0.1(2*1+5)
X=1,y=4

Respuesta
0.1(1+4+1)+0.9(2*(1)+4+1)+0.1(2*1+3*4)+0.1(2*1+5)
X=1,y=4
EJEMPLO COMPLETO
MAMDANI








MATLAB EJEMPLO
PENDULO


Angulo vs Velocidad, y salida fuerza

Neg Zero Pos
Neg P P Z
Zero P Z N
Pos Z N N
Angulo vs Velocidad, y salida fuerza

Nota:
Las FMs que son diferenciables tienen ciertas
ventajas en las aplicaciones de sistemas neuro-
difusos (sistemas que aprenden funciones de
membresa utilizando tcnicas de aprendizaje de
RNA).
Las funciones de membresa Gausianas han
sido utilizadas para dichos sistemas.

Resumen: diseo de FM
Directrices:
1. Siempre utilice FM parametrizables. No
defina una funcin de membresa punto por
punto.
2. Utilice una FM triangular o trapezoidal, a
menos que haya una buena razn para hacer lo
contrario.
3. Si desea que el sistema aprenda la funcin de
membresa utilice tcnicas de aprendizaje de
RNA, escoja una funcin de membresa
diferenciable, como la Gaussiana.
2.1.2.2 Operaciones bsicas en
conjuntos difusos
Para conjuntos clsicos se pueden realizar las
siguientes definiciones:



para los conjuntos A y B en X, tambin se tiene:

A a pertenece no x X x
A a pertenece x A x
X a pertenece x X x
e
e
e
( )
A B y B A B A
B a e equivalent es o en contenida esta A B A
B x entonces A x si B en contenida esta A B A
_ _ =
_
e e c ,
Algunas definiciones para conjuntos
Contenimiento: (_ ) Un conjunto puede
contener a otro conjunto. Al conjunto ms
pequeo se le llama Subconjunto.
(c Subconjunto propio).

En un universo comprendido por tres
elementos X = {a, b, c}, el nmero cardinal es
n
x
= 3. Y su conjunto potencial es:
( ) { } { } { } { } { } { } { } { } c b a c b c a b a c b a X P , , , , , , , , , , , , C =
Conjunto Difuso
Si se considera el siguiente conjunto difuso finito:
A = 0.2/u
1
, 0/ u
2
, 0.3/u
3
, 1/ u
4
, 0.8/u
5.
ueU.

Entonces un conjunto difuso A de U ser un
conjunto de parejas:
A = {u,
A
(u)}, e u U
Considerando que x
i
es un elemento del soporte del
conjunto difuso A y que
i
es su grado de membresa
en A.
A =
1
/ x
1
+
2
/ x
2
+....+
n
/ x
n.

Donde.
El smbolo / Se emplea para unir los elementos del
soporte con sus grados de membresa en A, y.
El smbolo + Indica que los pares de elementos y
grados de membresa listados forman colectivamente la
definicin del conjunto A, en vez de cualquier tipo de
suma algebraica.
Conjunto difuso: universo de discurso finito y
no-finito
( ) ( ) ( )
A
x
x
x
x
x
x
A A A i
i
i
n
= + +

)
=

1
1
2
2
1

( )
A
x
x
A
U
=

`
)
}

La integral y la sumatoria
indican la unin de
elementos dentro de un
conjunto difuso A.
Conjunto difuso
Se entender que un conjunto difuso es
finito siempre que al poder enumerar a sus
elementos representativos este proceso
termine, independientemente del valor de
sus funciones de membresa.
Operaciones Bsicas De Los Conjuntos
Clsicos
Las tres operaciones bsicas en conjuntos
clsicos son: unin, interseccin, y complemento.




El complemento de un conjunto se puede
denotar por: A
C
, A, .
{ }
{ }
{ }
{ } B x y A x x B A DIFERENCIA
X x A x x A O COMPLEMENT
B x y A x x B A N INTERSECCI
B x o A x x B A UNION
e e =
e e =
e e =
e e =
,
__
A
Por ejemplo:
Si A y B son dos conjuntos de percepciones
anuales por persona definidos por:


Donde U es el universo de discurso [0,1000K]. Se
tiene que:
{ }
{ } U x K x K x B
U x K x K x A
e s s =
e s s =
, 120 50
, 200 100
{ }
{ }
{ } K x K K x x A
U x K x K x B A
U x K x K x B A
C
1000 200 100 0
, 200 50
, 120 100
s < < s =
e s s =
e s s =
Debido a que la membresa en un conjunto
difuso se mide en grados, las operaciones de
conjuntos deberan generalizarse a los conjuntos
difusos de forma acuerda
(ilustrar)
.

La operacin de interseccin difusa es
matemticamente equivalente a la operacin de
conjuncin difusa (AND), debido a que tienen
propiedades idnticas.
Operaciones Bsicas De Los
Conjuntos Difusos
Para explicar la relacin entre operaciones de
conjuntos y operaciones lgicas, primero se
har un repaso de operaciones bsicas en la
lgica clsica:
Una declaracin en lgica clsica solo tiene dos
posibles valores: Falso o Verdadero.
Dichas declaraciones lgicas pueden ser combinadas
al utilizar conectivas lgicas tales como: AND
(conjuncin, denotada por ), OR (disyuncin,
denotada por v), NOT (negacin, denotada por ),
y IMPLY (implicacin, denotada por ).
De operaciones de conjuntos a operaciones
lgicas
Tabla de valores de verdad:
Conectivas Lgicas Clsicas
p y q son dos declaraciones lgicas (o proposiciones)
p q p pq
F F T F F T
F T T F T T
T F F F T F
T T F T T T
q p .
q pv
Conectivas Lgicas Clsicas

Una declaracin conjuntiva compuesta pq ser
verdadera si y solo si ambas p y q son verdaderas.
Una declaracin disyuntiva compuesta p v q ser
verdadera si y solo si cualquiera de las declaraciones
es verdadera.
La negacin de una declaracin es verdadera si y solo
si la declaracin original es falsa.
Para lgica clsica:
Si la proposicin p representa la sentencia x est en
el conjunto A: p es verdadera iff x A
Y si la proposicin q representa la sentencia x est
en el conjunto B: q es verdadera iff x B
Entonces, p y q son verdaderas cuando x est en la
descripcin de A y B:
(pq) es verdadera iff x AB
Y que p q es verdadera cuando x est en la unin
de A y B:
(p v q) es verdadera iff x AB
Finalmente, p es falsa cuando x est en el
complemento de A:
p es verdadera iff x A
c
.
Conclusin

Por lo tanto, los operadores de
interseccin unin y complemento
en la teora de conjuntos son
similares a la conjuncin,
disyuncin y negacin en lgica.

Operaciones Lgicas Difusas
Un operador comn de conjuncin (AND) difusa
es el operador mnimo. Con frecuencia la
interseccin difusa se define como:

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

Interseccin: En conjuntos difusos es el grado de
membresa que dos conjuntos comparten. Una
interseccin difusa es el menor de la membresa
de cada elemento en ambos conjuntos.
Por ejemplo:
Se puede definir un conjunto difuso A de los
nmeros reales muy cercanos a 8 y B como el
conjunto difuso de los nmeros reales muy cercanos
a 15. Entonces, A B se definira como el
conjunto difuso de los nmeros reales muy cercanos
a 8 y a 15. Tomando en cuenta la ecuacin:


y A = (1 0.8 0.4 0.5) y B = (0.9 0.4 0.0 0.7) se
tiene que:

AB
(x) = (0.9 0.4 0.0 0.5).
( ) ( ) ( ) ( ) ( ) ( ) x x x x x
B A B A B A
, min = . =

Representacin de la Interseccin de difusa

conjuncin difusa.


1
Temperatura
A B

BajaMedia

Operaciones Lgicas Difusas
Un operador comn de disyuncin difusa es el
operador mximo. Por lo tanto, con frecuencia
la unin difusa se define como:

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

La unin (o disyuncin) difusa, se lee o difusa,
y representa al conjunto difuso ms pequeo
que contiene a A y que contiene a B. El
operador max (v), toma como valor verdadero
el valor mximo de la funcin de membresa del
elemento x en A y B.
Ejemplo:
Se puede definir al conjunto difuso A de los
nmeros reales muy cercanos a 8 y B como el
conjunto difuso de los nmeros reales muy cercanos
a 15.
Tomando en cuenta la ecuacin.



y que A = (1 0.8 0.4 0.5) y B = (0.9 0.4 0.0 0.7)
se tiene que:

AB
(x) = (1 0.8 0.4 0.7).
( ) ( ) ( ) ( ) ( ) ( ) x x x x x
B A B A B A
, max = v =

Representacin de la Unin difusa

disyuncin difusa.
Temperatura

BajaMedia

A B


1
Operaciones Lgicas Difusas
El complemento de un conjunto difuso A se define por
la diferencia entre uno y el grado de membresa en A:

A
c (x)= 1-
A
(x)
Complemento (negacin difusa): El complemento de un
conjunto difuso es la cantidad que la membresa necesita
para alcanzar 1. Sea U un conjunto cualquiera y M =
[0,1], su conjunto asociado de membresa. Si se considera
a un conjunto difuso AeU, entonces el complemento de
A ser:

evidentemente, se cumple que:
(A) = A
( ) ( )

A A
u u u U = e 1 ,
Representacin del complemento de un
conjunto difuso negacin difusa

Medio

Medio


1
Temperatura
2.1.3 Variable Lingstica
Como un conjunto convencional, un conjunto difuso se
puede utilizar para describir el valor de una variable.
Por ejemplo, la oracin El porcentaje de humedad es
Bajo utiliza el conjunto difuso Bajo para describir la
cantidad de humedad en un da. Ms formalmente, se
expresa como:
Humedad es Bajo
La variable humedad en este ejemplo demuestra un
concepto importante en la lgica difusa:
La variable lingstica.

Una variable lingstica se puede interpretar
tanto cualitativamente mediante un termino
lingstico (etiqueta: nombre del conjunto
difuso), como cuantitativamente mediante su
correspondiente funcin de membresa (la cual
expresa el significado del conjunto difuso).

El termino lingstico es utilizado para expresar
conceptos y conocimiento, mientras la funcin
de membresa se utiliza para procesar el dato
numrico de entrada.

Una variable lingstica es como una
composicin de una variable simblica (una
variable cuyo valor es un nmero). Un ejemplo
de una variable simblica es:
Forma = Cilndrica
Donde Forma es una variable que indica la forma
de un objeto. Un ejemplo de variable numrica
es:
Altura = 4

Con frecuencia, las variables numricas son
utilizadas en ingeniera, ciencias, matemticas,
medicina, y en muchas otras disciplinas.

Por otro lado, las variables simblicas juegan un
papel importante en la inteligencia artificial y las
ciencias que tienen que ver con toma de
decisiones.

Utilizando la notacin de la variable lingstica
se pueden combinar estos dos tipos de variables
dentro de una red uniforme, lo cual es de hecho
una de las razones principales de que la lgica
difusa haya tenido xito en ofrecer una
aproximacin inteligente en la ingeniera y
muchas otras reas que tienen que ver con
problemas que manejan un dominio continua.

Modificadores Lingsticos: Hedges
Existen muchos descriptores lingsticos como son:
moderado, normal, alto, algo caliente, muy bajo, medio
normal, mas o menos alto, etc.

Uno de los conceptos importantes en la Lgica Difusa
es que en vez de enumerar todos estos diferentes
descriptores, se pueden generar de un conjunto esencial
de trminos lingsticos (llamado: Conjunto Trmino)
utilizando modificadores (por ejemplo: muy, mas o
menos) y conectivas (por ejemplo: y, o).
En Lgica Difusa a dichos modificadores se les
denomina: Hedges
Ejemplo: Variables Lingsticas Y
Valores Lingsticos.
Si edad es interpretada como una variable
lingstica, entonces su conjunto trmino
T(edad) puede ser:
( )

,
, , , , , ,
, , ,
, , , , ,
viejo muy no y joven muy no
viejo muy no viejo menos o mas viejo muy viejo no viejo
viejo medio no viejo medio
joven muy no joven muy joven no joven
edad T
Donde cada trmino en T(edad) se
caracteriza por un conjunto difuso de un
universo de discurso X = [0, 100], como se
muestra en la siguiente figura.
Del ejemplo anterior, se observa que el
conjunto termino consiste de varios
trminos primarios (joven, viejo)
modificados por la negacin ("no") y/o
los adverbios (muy, mas o menos,
completamente, extremadamente, etc.), y
entonces ligados por conectivas tales como
y, o, y ni.
Universo De Discurso
Establecimiento Del Universo De
Discurso Para Las Variables
Lingsticas

Se especifica el universo de discurso para
una variable de entrada y/o salida, cmo el
rango de valores posibles que puede tomar
la variable en cuestin para la aplicacin
actual.

Dado que el universo de discurso para cada
variable debe ser trasladado a variables
lingsticas (conjuntos difusos), se ha tratado de
normalizar que el nmero de conjuntos difusos
definido para cada variable sea un nmero
impar, recomendando que se inicie especificando
7 conjuntos para cada variable.

La determinacin final del nmero de conjuntos
difusos definidos para cada variable se determina
heursticamente, pues an cuando se conocen
los efectos de tener pocos o muchos conjuntos
definidos en el universo, finalmente se
establecen los conjuntos definitivos observando
un funcionamiento satisfactorio del sistema.

Se recomienda especificar una cantidad de
conjuntos difusos ms densa en aquellas zonas
donde se requieran cambios grandes en los
parmetros de salida del sistema a cambios
pequeos de sus parmetros de entrada.
Una de las cualidades que caracterizan a los
sistemas difusos es el manejo de informacin
ambigua, esta caracterstica la adquieren
debido a la forma en que se especifican los
conjuntos difusos cubriendo el universo de
discurso de las variables de entrada y/o salida,
por lo que la ambigedad que puede ser
admitida por el sistema depende del
grado de traslape entre los conjuntos
definidos.

Respecto del grado de traslape que deben
tener dos conjuntos contiguos, se
recomienda en 25% del rea total al
inicio del desarrollo (conjuntos simtricos),
an cuando se sabe que el funcionamiento del
sistema no es muy bueno con estos
conjuntos, tambin se recuerda que esto no
es una generalizacin, pues su adecuacin
depende del grado de precisin deseado en la
respuesta del sistema.
Consideraciones para la
especificacin de los C Ds:
1) Cada punto en el universo de discurso debe
pertenecer al dominio de al menos una funcin
de membresa; al mismo tiempo, debe
pertenecer al dominio de no ms de dos
funciones de membresa.
2) Ningn par de funciones de membresa
deben tener el mismo punto de mxima
membresa.
Consideraciones para la
especificacin de los C Ds:
3) Cuando dos funciones de membresa se
traslapan, la suma de los grados de membresa
para cualquier punto en el traslape debe ser
menor o igual a uno.
4) Cuando dos funciones de membresa se
traslapan, el traslape no debe cruzar el punto de
mxima membresa de cualquier funcin de
membresa.

Durante la especificacin de los conjuntos difusos que
cubren los extremos inferior (funcin Z) y superior
(funcin S) del universo de discurso considerado, es de
gran importancia que se hagan de una manera
adecuada, ya que estas funciones son muy importantes
para la estabilidad del funcionamiento del sistema,
pues evalan las situaciones extremas consideradas
para el establecimiento del universo de
discurso.
2.1.4 Distribucin de Posibilidad
La asignacin de un conjunto difuso a una
variables difusa restringe el valor de la variable,
tal como lo hace un conjunto clsico (crisp).

Sin embargo, la diferencia entre los dos es que la
idea de valores posible vs. valores imposible se
convierte en un asunto de grado.

Por ejemplo:
Se realiz un acto terrorista y la polica reporta que el
sospechoso de poner la bomba tiene una edad entre 20
y 30 aos.
Lo cual puede expresarse al asignar el intervalo [20, 30]
a una variable, que representa la edad del sospechoso:
Edad (sospechoso)=[20, 30]
De forma especifica el intervalo limita la edad a: 20, 21,
,30, y es imposible que el sospechoso tenga una edad
fuera de dicho rango. Lo anterior introduce una
frontera clasica entre los valores posibles y los
imposibles.

Para situaciones en que una frontera bien
definida no se desea, la lgica difusa ofrece una
alternativa ms adecuada generalizar la
distincin binaria entre lo posible vs. lo
imposible a un asunto de grado llamado la
posibilidad.
Por ejemplo, si se asigna el conjunto difuso
JOVEN, el cual tiene la siguiente funcin de
membresa:

17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 EDAD

1
JOVEN
Una distribucin de posibilidad del conjunto
difuso Joven
Para la edad del sospechoso, se obtiene una
distribucin a cerca de los grados de posibilidad
de la edad del sospechoso (la posibilidad de que
el sospechoso tenga 19 aos es de 0.7, mientras
que la posibilidad de que tenga 21 hasta 28 es de
1).

Edad(sospechoso)
(x) =
JOVEN
(x)



Donde
denota una distribucin de posibilidad de la edad del
sospechoso.
Y x es una variable que representa una edad del
sospechoso.

Cuando se asigne un conjunto difuso A a
una variable X, la asignacin resultar en
una distribucin de posibilidad de X, la
cual se define por la funcin de membresa
A.

X
(x) =
A
(x)
2.1.5 Reglas Difusa
La inferencia difusa basada en reglas se puede
entender de varias formas (conceptualmente,
matemticamente, formalmente, etc.). Por
ejemplo:
Desde un punto de vista lgico, la inferencia
difusa basada en regla es una generalizacin de
un esquema de razonamiento lgico llamado
modus ponens.
Modus ponens: lgica clsica
En lgica clsica, si una regla es verdadera y el
antecedente de la regla es verdadera, entonces
puede inferirse que el consecuente de la regla es
verdadero.
Lo anterior es referido como modus ponens. Por
ejemplo, si la regla R1 es verdadera:
R1: IF el ingreso anual de una persona es ms grande
que 120K THEN la persona es rica.
Y tambin, la siguiente declaracin es verdadera:
El ingreso anual de Pedro es de 121K
Basados en el modus ponens , la lgica clsica
puede deducir que la siguiente declaracin
tambin es verdadera:
Pedro es rico.
Una limitacin del modus ponens es que no puede
manejar situaciones parciales, como por
ejemplo, la regla R1 y un caso diferente:
El ingreso anual de Juan es de $199,999.

Generalmente, se dira que Juan es un poco rico,
Sin embargo, el modus ponens no puede inferir si
Juan es rico o no utilizando la regla R1, porque
el ingreso anual de Juan no satisface el
antecedente de R1, aunque solamente le falta un
peso. El problema tiene dos causas:
(1) El antecedente de R1 no representa una
transicin suave hacia la categora rico lo cual con
frecuencia se observa en el razonamiento humano.
(2) El modus ponens no puede manejar una situacin
donde el antecedente de una regla sea parcialmente
satisfecho.
Al tomar en cuenta tales limitantes, la
inferencia difusa basada en regla generaliza el
modus ponens, permitiendo que sus conclusiones
inferidas sean modificadas por el grado para el
cual el antecedente se satisfaga. Lo anterior es la
esencia de la inferencia difusa basada en
reglas.
Estructura de las reglas difusas

IF <antecedentes> THEN <consecuente>

El antecedente describe una condicin, y el
consecuente describe una conclusin que puede
ser dibujada cuando las conclusin se obtienen.
Varios Antecedentes: (condicin: rgida, elstica)
IF PosY is PAba and DesY is DCArr and PosZ
is HAdel THEN NDesY is SDesY;

El consecuente de las Reglas Difusa se pueden
clasificar en tres categoras:
1. Consecuente Crisp: IF THEN y=a
donde a es un valor numrico no-difuso o valor
simblico.
Pueden ser procesadas ms eficientemente.
2. Consecuente Difuso: IFTHEN y es A
Donde A es un conjunto difuso.
Es ms fcil de entender y mas adecuado para capturar la
experiencia humana imprecisa.
3. Consecuente Funcional:
IF x
1
es A
1
AND x
2
es A
2
AND x
3
es A
3
AND ...

x
n
es A
n
THEN y = a
o
+

Donde a
o
, a
1
, a
2
, , a
n
son constantes.
Puede ser utilizado para aproximar modelos no lineales
complejos utilizando un nmero pequeo de reglas.

=

n
i
i i
x a
1
Conceptos y
Fundamentos de Lgica
Difusa.
2.1 Conceptos bsicos de Lgica
Difusa
Reglas para los problemas
planteados
Problema A:
R3: IF la temperatura objetivo T es baja, THEN
Coloque el voltaje a _V (prenda el flujo fro).
R4: IF la temperatura objetivo T es alta, THEN
coloque el
---
V (prenda el flujo caliente).

Problema B: Lavadora automtica.
R5: IF Cantidad de ropa es mucha AND que tan
sucia esta la ropa es rudo THEN el ciclo de
lavado es fuerte.
R6: IF Cantidad de ropa es medio AND que tan
sucia esta la ropa es normal-rudo THEN el ciclo
de lavado es normal
Reglas para los problemas
planteados
Variables y sus Funciones de
membresa
Mugrosidad de la ropa

1
Rudo Nrudo Nsuave Suave
Cantidad de ropa

1
Poco Medio Mucho
Ciclo de lavado

1
Delicado ligero Normal fuerte
Tabla de Reglas Difusas para el ciclo
de lavado
CANT. DE ROPA
MUGROSIDAD
Poca Medio Mucha
Suave Delicado Ligero Normal
Normal
Suave
Ligero Normal Normal
Normal
Rudo
Ligero Normal Fuerte
Rudo Ligero Normal Fuerte
Inferencia difusa basada en reglas
El algoritmo consiste de tres pasos bsicos y uno
opcional:
1.- Fuzzy Matching: Calcula el grado para el cual el dato
de entrada se iguala (relaciona) a la condicin de la regla
difusa.
2.- Inferencia: calcula la conclusin de la regla a partir
de sus grados de relacin (matching).
3.- Combinacin: Combina las conclusiones inferidas
por todas las reglas difusas en una conclusin final.
4.- Defusificacin (Opcional): para aplicaciones que
necesitan una salida crisp.
Fuzzy Matching para la conjuncin
Mucha Rudo
Normal
Normal
Rudo
0.5
0.2
0.8
0.5
Cantidad de Ropa
Cantidad de Ropa
Mugrosidad
Mugrosidad
min
min
Grado
de
relacin


1


1


1


1
IF la Cantidad de ropa es Mucha AND la Mugrosidad de la ropa es Rudo THEN.
Inferencia: dos mtodos
1.- Mtodo de recorte (min): Este mtodo
trunca la altura de la funcin de membresa
cuyos valores sean ms grandes que el grado de
relacin. (min-max)

2.- El mtodo de escalamiento (prod): Este
mtodo diminuye la funcin de membresa en
proporcin al grado de relacin. (prod-sum)
Inferencia difusa
Consecuente Difuso
Conclusin Inferida


1


1
Consecuente Difuso
Conclusin Inferida


1


1
Mtodo de Recorte
Mtodo de Escalamiento
Conclusin
difusa
Y es A
Combinacin de Conclusiones
Difusas
Al combinar las conclusiones difusas a travs de superponer los
conjuntos se aplica un operador difuso de disyuncin, max, para
mltiples distribuciones de posibilidad de la variable de salida.

Combinacin de Conclusiones
Difusas

Defusificacin
Observando los cuatro pasos juntos
del algoritmo
Mucha Rudo
Normal
Normal Rudo
Cantidad de Ropa
Cantidad de Ropa
Mugrosidad
Mugrosidad
min
min


1


1


1


1
Fuerte
Normal


1


1
Ciclo


1
Salida
defusificada
Resumen y Conclusiones Finales
Un conjunto difuso es un conjunto con fronteras
suaves tal que la membresa en el conjunto llega a ser
una materia de grado.
Un conjunto difuso tiene una representacin dual: una
descripcin cualitativa y utilizando un termino lingstico, y
una descripcin cuantitativa a travs de una funcin de
membresa, la cual relaciona los elementos en un
universo de discurso para sus grados de membresa en
el conjunto.
Una variable lingstica es una variable cuyo
valores son una expresin que involucra
conjuntos difusos.
Cuando un conjunto difuso es asignado a una
variable cuyo valor difuso no es conocido, el
conjunto difuso sirve como una constante de
grado para facilitar que la variable tome un
cierto valor. Dicho grado de facilidad es
conocido como el grado de posibilidad.
Una distribucin de posibilidad de una variable es
una funcin que relaciona elementos del
universo de discurso de la variable a sus grados
de posibilidad.
Una regla difusa if-then es un esquema para
representar conocimiento y asociacin que es
inexacto e imprecisos por naturaleza.
La parte if de una regla difusa se conoce como
antecedente, y la parte then de la regla se conoce
como consecuente.
El razonamiento utilizando reglas difusas if-then
tiene tres caracterstica principales. Primera, se
puede realizar la inferencia con informacin
parcial en las entradas de las reglas. Segunda,
tpicamente se puede inferir la distribucin de
posibilidad de una variable de salida de la
distribucin de posibilidad de una variable de
entrada. Tercera, El sistema combina las
conclusiones inferidas de todas las reglas para
formar una conclusin global.
La mayora de las aplicaciones de la lgica difusa
utiliza reglas difusas if-then.
Muchos sistemas difusos basados en reglas
necesitan producir una salida precisa utilizan un
proceso de defusificacin para convertir la
distribucin de posibilidad inferida de una
variable de salida a un valor preciso de
representacin.
Ejemplo en matlab/simulink
AGRUPAMIENTO BORROSO
FUZZY K MEAN
Otro ejemplo

U Matriz de particin difuza
N
Los valores del funcional estan sujetos a las siguientes restricciones

Es la norma del producto punto, para FCM,
A gereralmente es la matriz identidad lo que
genera cluster circulares (2D),
, la cual tiene en cuenta la direccin en los diferentes ejes,
creando particiones elpticas, para el caso 2D. donde F esta
definida por:

y m coeficiente de fucibidad(fuzzyness), es decir que tan dispersos estn los datos.
, generalmente es 2.
En forma general el Algoritmo de Fuzzy C means, consiste de los siguientes pasos



Calcular los centros
(1)
Calcular la distancia
(2)
Actualizar la matriz U
(3)
Realizar esto hasta
,
tolerancia de terminacin

Algoritmos de Cluster
FCM