Lógica Difusa

Primera Clase
José Edinson Aedo Cobo, Msc. Phd.
Depto. de Ing. Electrónica.
E-mail: joseaedo@udea.edu.co
Introducción

“Un sistema inteligente” sería aquel que posee una habilidad

parecida al ser humano para resolver problemas dentro de un
dominio específico, tiene capacidad para adaptarse,
aprender en un ambiente cambiante y explicar como se toman
las decisiones ( o acciones)”.

En el último siglo ha existido un interés creciente por la

construcción de máquinas inteligentes.

• 1947, Se definió la Cibernética ( Norbert Wiener)

“un estudio unificado del control y de la comunicación
en los animales y las máquinas”.
Introducción

• 1947, Se definió la Cibernética ( Norbert Wiener)

“un estudio unificado del control y de la comunicación
en los animales y las máquinas”.

• La época de la cibernética coincide con el desarrollo de

varios paradigmas:

- Evolución de los computadores analógicos a digitales.

- Teoría formal de la computación ( Alan Turing).
- Computador basado en lógica digital: John Von Neumann
- Primeros modelos del neuron: McCulloch-Pitts (1943),
perceptron (1957)
- La inteligencia artificial (IA), 1960, John McCarthy
Introducción

Inteligencia Artificial:

“Buscaban definir los métodos algorítmicos capaces de hacer

pensar a los computadores !!”

Hubo una gran efervescencia en la década del 60, debido

A los resultados iniciales se pensaba que se “conseguiría
construir máquinas realmente inteligentes”.

Hubo un declive de las otras áreas: la cibernética y la redes

neuronales.
Introducción

1969, Marvin Minsky, mostró mediante un estudio riguroso

formal, limitaciones en los perceptrones para resolver
algunos problemas. Esto causó una perdida de confianza en
el área de redes neuronales.

La Inteligencia Artificial (AI) algunas ideas:

El ser humano utiliza el lenguaje como medio para razonar y

sacar conclusiones.

“La IA busca imitar el comportamiento inteligente,

tratando de expresarlo en formas de lenguaje o reglas
Simbólicas”
Introducción

La Inteligencia Artificial (AI) algunas ideas:

“La IA manipula simbolos basandose en la suposición que el

Comportamiento inteligente puede ser almacenado en bases
de conocimiento estructuradas simbólicamente”.

El mayor desarrollo de la IA son los sistemas expertos o

Sistemas basados en conocimiento:

“Son complejos programas (software) en los que se codifica

el conocimiento de expertos en una materia muy concreta en
forma de reglas de decisión”.
- La IA se sustenta en el binomio: lógica boolena-máquina de
Von Neumann.
 Máquina de
Inferencia

Interface de Usuario
Pregunta
Facilidad de
Respuesta Explicación Base de Datos
Global
Usuario
(Novato) Hechos
KB
Reglas
Ingeniero de
Conocimiento Adquisición de
Computador
Humano Conocimiento
Host
Experto etc...

Estructura de un sistema experto

Introducción

Algunas definiciones de IA:

•“AI is the study of agents that exist in an evironment and

perceive and act”. (Russell, Norvig, artificial Intelligence:
a Modern approach, 1995).

• “Is the art of making computer do smart things”.

(Waldrop,87).

• “AI is a programming style, where programs operate on

data according to rules in order to accomplish goals”
(Tylor, 88).
Introducción

Algunas definiciones de IA:

• “AI is the acitivitiy of providing such machines as

computers with the ability to display behavior that would be
regarded as intelligent if were observed in humans”,
(R. McLeod, 79).

La inteligencia computacional (soft computing) tiene

Objetivos similares a la IA, pero ha puesto más énfasis
en metodologías inspiradas biológicamente: modelado de
Cerebro, lógica difusa, algoritmos evolutivos, etc.
Introducción

El curso tendrá los siguientes componentes básicos:

• Sistemas difusos.
• Redes neuronales
• algoritmos genéticos.
• Aplicaciones.
Objetivos
Este módulo pretende introducir los sistemas difusos como
una herramienta para su utilización en diversas aplicaciones
en ingeniería

Los sistemas difusos pueden usarse en muchos campos de

la ingeniería:

- Control de procesos.
- Modelado no lineal.
- procesamiento de imágenes.
- Comunicaciones.
- Problemas de optimización.
- Sistemas para toma de decisiones.
Sistemas difusos (introducción)

Introducción

Los sistemas difusos son utilizado en muchos campos de la

ingeniería. Hacen del parte del área se que se ha
denominado softcomputing.

Lotfi A. Zadeh (1992):

“Soft computing is an emerging approach to computing

which parallels the remarkable ability of the human mind
to reason and learn in an environment of uncertainty and
imprecision”.
 Sistemas difusos (introducción)

Inteligencia computacional:

Softcomputing cubre en algunos paradigmas recientes:

- Redes neuronales.
- Lógica difusa y sistemas basados en
razonamiento difuso.
- Técnicas de optimización basadas en
algoritmos genéticos y re-cocimiento simulado.
 Sistemas difusos (introducción)

Los sistemas difusos:

Han sido desarrolladas buscando modelar la forma como el
cerebro manipula información imprecisa.

La redes neuronales:
Son modeladas a partir de la arquitectura física del
cerebro.
Sistemas difusos (introducción)

Los sistemas difusos y las redes neuronales:

• Estimadores libres de modelos.

• Sistemas dinámicos.
• Ambos tienen la capacidad de modelar procesos no
lineales complejos con un grado arbitrario de exactitud.
• Son tecnologías complementarias:
- Sistemas difusos con habilidades de aprendizaje.
- Redes neuronales con una estructura determinada
por la forma y el proceso de razonamiento propio
de las reglas difusas “If-then”.
Sistemas difusos (introducción)

Los sistemas difusos y las redes neuronales

Redes neuronales:

• Realizan un mapeo no lineal de entrada-salida.

• Poseen la capacidad de generalización.
• Tienen la propiedad de la “adaptabilidad”.
• Son tolerantes a fallas.
• Tienen habilidad de aprendizaje.
 Sistemas difusos (introducción)
La fusión de las dos tecnologías produce sistemas con
diferentes características:
• Sistemas neurodifusos: Sistemas difusos provistos de
métodos de sintonía propios de las redes neuronales
pero sin alterar su funcionalidad.
• Redes neuronales difusas: Conservan las propiedades y
la arquitectura de las redes neuronales y simplemente
se “fuzifican” algunos de sus elementos.
Sistemas difusos (introducción)

Contenido del módulo:

1. Introducción a los sistemas difusos.

2. Teoría de los conjuntos difusos.
3. Variables lingüísticas.
4. Relaciones difusas, composición de relaciones.
5. Introducción a la lógica difusa.
6. Reglas de inferencia difusas.
7. Sistemas difusos.
8. Identificación de los sistemas difusos.
9. Aplicación de los sistemas difusos
10. Estudio de casos.
Sistemas difusos (introducción)

Material de referencia:

- Fuzzy Logic Systems for Engineering: A tutorial, J. M.

Mendel, Proceeding of the IEEE, Vol 83. No. 3. pp. 345-
377.

- Neuro-fuzzy modeling and control, J.S. Jang an C. T Sun

Proceeding of the IEEE, Vol 83. No. 3. pp. 378-406.

- Neuro-Fuzzy and Soft Computing, J. S. Roger Jang,

Prentice Hall, 1997. Cuatro primeros capítulos.
Sistemas difusos (introducción)
La expresión del conocimiento

Cuando se trabaja con la solución de problemas existen dos tipos de

conocimiento:

Conocimiento objetivo: El cual se expresa en forma de modelos

matemáticos. Estos modelos son usados corrientemente en la
solución de problemas en el campo de la ingeniería.

Conocimiento subjetivo: el cual es representado en forma

lingüística que es imposible de cualificar con modelos
matemáticos tradicionales.

Ex: “Si el valor de la ganancia es muy alto entonces el sistema

puede ser inestable”
Sistemas difusos (introducción)

Como utilizar los dos tipos de conocimiento en la solución de problemas:

Existen dos estrategias:

Una estrategia basada en modelo en la cual la información objetiva

es expresada en modelos matemáticos y la información subjetiva
es expresada en reglas (lingüísticas) que luego son cuantificadas
usando lógica difusa.

Una estrategia libre de modelo: en la cual, las reglas son extraídas

de datos numéricos, estas reglas también pueden ser combinadas
con información lingüística suministrada por expertos.
 Sistemas difusos (introducción)
Sistemas difusos (modelo difuso): una visión de alto nivel

Establecen un mapeo no lineal entre un vector de datos de entrada a una

salida escalar (MISO).
Y= f(x)
Sistema Difuso

xUn
Reglas y
¨Fuzificador¨ ¨Defuzificador¨

Mecanismo
inferencia

salida
Vector de entrada
conjuntos difusos

Qué es un conjunto de acuerdo con la teoría clásica?

Es una reunión de elementos que cumplen alguna condición pre-

establecida.

Notación: A = { x / x cumple alguna condición}

Ejemplo: A = { x  R / x > 5 }
B
1 Así:
Conjuntos discretos se pueden 2 1  B
representar con diagramas. Por 3 2  B
ejemplo el conjunto B (de números 4 3  B
enteros entre 1 y 5): 5 4  B
5  B
conjuntos difusos
La función característica o de pertenencia

Se puede definir un conjunto estableciendo su función de pertenencia

( también llamada función característica).

La función asume la siguiente forma para conjuntos clásicos:

Sea el conjunto A, la función de pertenencia μA(x) será:

1, si x  A
μA(x) =
0, a x A.

Ejercicio:
Considere el conjunto de todos los estudiantes del curso como
conjunto universal. Considere C, como el conjunto de los estudiantes
con promedio mayor a 4. Evalúe μC(x) para algunos valores de x.
conjuntos difusos
Ejemplo: sea el conjunto A:

A ={ El conjunto de los números reales mayores que 5}

o equivalentemente:

A = { x  R / x ≥ 5}
μA
Entonces: μA(4) = 0
μA(6) = 1 1

Gráfica de μA(x)
3 4 5 6 7 …. R
conjuntos difusos
Conjuntos difusos

La pertenencia de los elementos al conjunto puede ser gradual, lo

cual se expresa mediante la función de pertenencia, que en este caso
puede tomar valores dentro del intervalo [0,1]

Ejemplo:
Sea el conjunto universal X ={ 1, 2, 3, 4, 5, 6, 7, 8, 9}. Sea el conjunto
A = {el número apropiado de cursos que un estudiante debe tomar en
el primer semestre de Ingeniería electrónica}

A, lo podríamos definir considerando sus elementos junto con sus

valores de pertenencia:
A ={ (1, 0.1), (2,0.3), (3,0.4), (4,0.6), (5,1), (6,0.9), (7,0.6), (8,0.3)
(9, 0.1) }
conjuntos difusos
Definición de Conjuntos difusos

Sea U una colección de objetos denotados genéricamente por u,

entonces un conjunto difuso A en U se define como el conjunto de
pares ordenados:
A = { (u, μA(u)) / u  U}

μA(u) es la función de pertenencia de u en A, la cual mapea cada

elemento de U a un valor de pertenencia entre 0 y 1.
μA(u)
1

0.6
Función de pertenencia

u1 u2 U
μA(u1)= 0.6 μA(u2)= 1.0
Conjuntos difusos
Ejemplo

Sea B= “El conjunto de números enteros cercanos a 9”

B = 0.1/6 + 0.5/7 + 0.8/8 + 1/9 + 0.8/10 + 0.5/11 + 0.1/12

1
0.8
0.5
0.1
1 2 3 4 5 6 7 8 9 10 11 12 N

Notación B = N μB(x)/ x (Representación de conjuntos discretos)

 Conjuntos difusos
Tipos corrientes de funciones de pertenencia
Lineal por trazos
Tipo Z Tipo triangular
Tipo S
Tipo trapezoidal

Otras formas: gaussiana, en forma de campana, etc.

Conjuntos difusos
Algunas definiciones relacionadas con conjuntos difusos :

1. El soporte de un conjunto difuso:

Support(A) = { x / μA(x) > 0}

2. Core: Core(A) = { x / μA(x) = 1}

3. Conjuntos difusos normales: si su “core” no es vacio.

4. Fuzzy singleton: es un conjunto normal con soporte en un

solo punto
Conjuntos difusos
Representación de los conjuntos difusos :

Dado un conjunto universal U ={x1, x2, ….,xn}, un conjunto A

definido en U puede ser representado usando el conjunto de pares
ordenados:
A  {( x1 ,  A ( x1 )), ( x2 ,  A ( x2 )),....., ( xn ,  A ( xn ))}

Igualmente
x puedexser representado
x como:
x xi
A
1
1
 2

2
 3

3
 ....  n

n
 
i

Donde + indica unión de los elementos (no suma).

Conjuntos difusos
 - cuts

Un -cut (o conjunto de nivel ) de un conjunto difuso A* es un

conjunto A clásico que contiene todos los elementos del conjunto
universo U que tienen un grado de pertenencia en A* más grande
o igual a .
O sea:
A  {x U /  A ( x)   ,   (0,1]}

El conjunto de todos los niveles (0,1] que representan distintos

-cuts de un conjunto A dado es llamado el conjunto de nivel de
A. O sea:
 A  { /  A ( x)   , para a lg un x U }
Conjuntos difusos
Primero recordemos las operaciones entre conjuntos clásicos

Para conjuntos clásicos, consideremos dos conjuntos A y B:

- entonces la unión de A y B será un conjunto C = A  B, que

contendrá tanto los elementos de A como los de B.

- La intersección de A y B , será un conjunto D = A  B, que

contendrá los elementos comunes entre A y B.

- El complemento de A, será un conjunto A, que contendrá todos los

elementos del conjunto universal que no pertenezcan a A.
Conjuntos difusos
Ejemplo (conjuntos clásicos):

Sean los conjuntos A = { 1, 2 , 3, 4, 5, 6}

B = {4, 5, 6, 7, 8, 9}
y U = { 0, 1, 2 , 3, 4, 5, 6, 7, 8, 9, 10, 11} el conjunto
universal.

Entonces: C = A  B = {1, 2 , 3, 4, 5, 6, 7, 8, 9}
D = A  B = {4, 5, 6 }
A = {0, 7, 8, 9, 10, 11}
Conjuntos difusos
Operaciones entre conjuntos clásicos: se pueden realizar
operación entre conjuntos clásicos usando la función pertenencia.

Se realizan con base

Función de pertenencia del
a las funciones de
conjunto resultado Operador pertenencia

C  A  B   A B (u )  max(  A (u ), B (u ))
D  A  B   A B (u )  min(  A (u ), B (u ))
A   A (u )  1   A (u )
Conjuntos difusos
Propiedades de las operaciones entre conjuntos clásicos:
Sean A, B y C conjuntos clásicos y A, B, y C sus complementos
Sea X el conjunto universo y  el conjunto vacío
Propiedad

Conmutativa AB = BA, AB = BA

Asociativa (AB)  C = A(B  C)

(AB)  C = A(B  C)

Distributiva A(BC) = (AB)  (A C)

A (BC) = (AB)  (AC)
Conjuntos difusos

Propiedad

Contradicción AA=
Tercero excluido AA= X

ley de Morgan A B = A  B
AB= AB