LÓGICA DE FUZZY O LÓGICA DIFUSA

Conocimiento exacto e incierto

Veamos la diferencia entre algo exacto, algo aleatorio y algo

nebuloso:
Exacto: Tengo 42 años de edad.
Aleatorio: ¿Va a llover mañana o no?
Nebuloso:¿Esta persona es vieja o no?; ¿hace frío o no?

1
LOGICA DE FUZZY O LOGICA DIFUSA

• Hay declaraciones que usted no puede decir con certeza.

Usted puede estar diciendo “ que lloverá hoy”. sin embargo.
su grado de certeza es aproximadamente 0.8 en lugar de 1.
para planear este tipo de situaciones fue desarrollado la
lógica difusa o lógica de fuzzy.
• La lógica difusa se trata de proposiciones que pueden ser
verdaderos con algún cierto grado de certeza ( de 0 a 1). Por
consiguiente. el valor de verdad de una proposición indica el
grado de certeza que la proposición sea verdad. Las
probabilidades para los eventos mutuamente exclusivos no
pueden sumar más de 1, pero en los valores difusos si
pueden. Suponga que la probabilidad de una taza de café
que está caliente es 0.8 y la probabilidad de la taza de café
que está frío es 0.2. Estas probabilidades deben sumar a 1.0.

2
 LOGICA DE FUZZY O LOGICA DIFUSA
Los valores difusos no necesitan sumar a 1.0. El valor de
verdad de una proposición que una taza de café está caliente
es 0.8. El valor de verdad de una proposición que la taza de
café es frío puede ser 0.5. no hay ninguna restricción en la
sumatoria de los valores de la verdad sea mayor a 1.
DEFINICION Extensión de la Lógica Multivaluada que está
relacionada y fundamentada en la teoría de Conjuntos Difusos,
según esta teoría el grado de pertenencia de un elemento a un
conjunto va a estar determinado por una función de
pertenencia, que puede tomar todos los valores reales
comprendidos en el intervalo [0,1].

3
 LOGICA DE FUZZY O LOGICA DIFUSA
• Un ejemplo de conjunto difuso seria de persona altas y bajas ,
se puede definir que cualquier persona es alta a partir de 1.80
(coeficiente de pertenencia al conjunto igual a 1), las personas
con menos de 1.60 m son considerados bajas (coeficiente de
pertenencia igual a 1): las personas de altura entre 1.60 y 1.80
poseen condiciones de pertenencia entre 0 y 1 siendo que
este coeficiente representa el grado con que esas personas
pueden ser considerados altas.
Estatura (m)
µ
1

Baja Media Alta

0
1.60 1.80

4
 6.8.1 Conjuntos clásicos versus Conjuntos
difusos
• Definición de conjuntos clásicos según Cantor
“...Entendemos por conjunto cualquier reunión en un todo M
de determinados objetos bien distinguidos m de nuestra
intuición o pensamiento...”
• Esto significa que la existencia del conjunto depende de la
determinación precisa de cuales elementos pertenecen y
cuales no a dicho conjunto (Dedekind)
En los conjuntos difusos la pertenencia de un elemento a un
conjunto no es tan drástica. El elemento puede tener un grado
de membresía a dicho conjunto
• Los conjuntos clásicos se pueden representar de 3 formas
1) Nombrando los elementos del conjunto Ej: A={a,e,i,o,u}
2) Definiendo una expresión que los miembros cumplan
Ej: A={x| x es una letra vocal}
3) Definido por una función característica A
1 x  A
 A ( x)   
0 x  A 
Esta función mapea los elementos del conjunto
universo a los elementos del conjunto {0,1}.
Para cada entonces x es miembro de A
 A ( x)  1

x  A (x)
a 1
b 0
e 1
u 1
w 0
i 1
• En los conjuntos difusos la función característica mapea los elementos
al intervalo real [0,1]
• Formalmente
Sea X conjunto universo clásico tal que x sean sus elementos, esto es
. Un conjunto difuso A lo definimos mediante
A = { ( x, A (x) ) | x  X } 
Donde
A(x): Función de membresía x X
Ejemplos:
A: Conjunto de los hombres jóvenes
B: Conjunto de los hombres de edad media
C: Conjuntos de los hombres viejos
• Cada uno de los conjuntos no posee límites claros y se pueden
representar mediante conjuntos difusos.
• Los conjuntos difusos son una forma de representar imprecisión e
incertidumbre
Las funciones de pertenencia podrían ser:
 6.8.2 Tipos de funciones de membresía
• En general se puede utilizar cualquier función continua que
mapee los de un conjunto universo clásico dado a elementos
al intervalo [0,1], las más comunes son:

SIGMOIDE
Diferencia entre 2 sigmoides
Función Gaussiana
Curvas basadas en Splines

Función triangular
 ¿Cómo elegir la función de membresía?
• Hay varias formas, el método a elegir depende de la
aplicación en particular
• El método más sencillo es el Horizontal
 Se basa en las respuestas de N expertos
 La pregunta tiene el siguiente formato
¿Puede ser x considerado compatible con el concepto A?
 Sólo se acepta un “si” o “no” por respuesta, Luego
A(x)=(Respuestas afirmativas)/N
• Otros Métodos Vertical
• Método de comparación de parejas (Saaty,1980)
• Métodos basados en la especificación del problema
• Métodos basados en la optimización de parámetros
• Métodos basados en la Agrupación difusa (fuzzy clustering)
• Algoritmo “Fuzzy Isodata” (Bezdek,1981)
 6.8.3 Operaciones básicas sobre
conjuntos difusos
• Las operaciones básicas en los conjuntos clásicos
son 3
A B AUB AUB
1 1 1 max(1,1)=1
 Unión 1 0 1 max(1,0)=1
0 1 1 max(0,1)=1
Ej:
0 0 0 max(0,0)=0
A={a,e,i,o,u}
B={b,c,d}
AUB={a,e,i,o,u,b,c,d}
 Intersección
Ej A B A B A B
1 1 1 min(1,1)=1
A={1,2,3} 1 0 0 min(1,0)=0
B={2,3,4,5} 0 1 0 min(0,1)=0
0 0 0 min(0,0)=0
A  B={2,3}

 Complemento
Ej A Comp(A)
X   x | x  N  x  5 1 0
0 1
A={1,2,3}
Comp(A)={4}
• La extensión natural para las operaciones está
dada por
 Unión difusa standard

 A  B  ( x)  max A( x), B( x) 
 Intersección difusa standard

 A  B  ( x)  min A( x), B( x) 
 Complemento difuso standard

Comp A ( x )  1  A( x )
EJERCICIOS DE OPERACIONES DE CONJUNTOS DIFUSOS

• La unión de conjuntos difusos

Si. a, b, c y d tienen los grados respectivos de

membresía del conjunto difuso A.= (0.9,0.4,0.5,0)) y
B = (0.7, 0.6, 0.3, 0.8).
Entonces A U B = (0.9, 0.6,0.5,0.8) la unión es el
máximo (Rao)

15
 EJERCICIOS DE OPERACIONES DE CONJUNTOS
DIFUSOS

• INTERSECCION Y COMPLEMENTO DE DOS

CONJUNTOS DIFUSOS
•
• Si los conjuntos difusos A y B son. A = (0.9, 0.4, 0.5, 0) y B =
(0.7, 0.6, 0.3, 0.8). La intersección A ∩ B, es obtenida
acogiendo el componente mas pequeño de los valores. Así (A
∩ B = (0.7, 0.4, 0.3, 0).
• Si A’ es el complemento de A tenemos que A ' = (0.1, 0.6,
0.5, 1) y B ' = (0.3, 0.4, 0.7, 0.2).
• Note que A 'Ụ B’ = (0.3, 0.6, 0.7,1), cuál es también el
complemento de A ∩ B. Usted también puede asegurarse el
complemento de A Ụ B equivale a A' ∩ B '. Además. A’ Ụ A’
= (0.9, 0.6, 0.5,1) y A’ ∩ A’ = (0.1, 0.4, 0.5, 0).

16
6.8.4 CONTROLADOR DIFUSO

17
6.8.5 LAS APLICACIONES DE LÓGICA DIFUSA
•Muchos usos comerciales de lógica confusa existen hoy.
Algunos ejemplos
•El metro de la ciudad de Sendai, Japón usa a un controlador
difuso para monitorear un coche del conducto subterráneo.
Este controlador ha funcionado mejor que los controladores
humanos y convencionales en dar un paseo muy fácil para los
pasajeros en todo terreno y las condiciones externas.
Las cámaras y cámaras de video usan lógica confusa ajustar
mecanismos del autofoco y cancelar la inestabilidad causado
por una mano temblorosa .
•Algunos automóviles usan lógica confusa para aplicaciones
diferentes de control.
•Nissan tiene patentes en la lógica confusa frenando sistemas .
que la transmisión controla e inyectores del combustible.
•Lavadoras con lógica difusa.
18
 LAS APLICACIONES DE LÓGICA DIFUSA

Se encuentran aplicaciones de conjuntos difusos y la

lógica difusa en muchos campos. incluyendo
inteligencia artificial. Diseño, la informática. Se
investigan las funciones de lógica difusa en la
robótica. y reconocimiento de modelos, las redes
neuronales. Así que parece natural que los
conjuntos difusos deba introducirse en las redes
neuronales. los conjuntos difusos pueden encontrar
en que las decisiones están basadas en información
incompleta y la fiabilidad de los valores supuestos
de los parámetros subyacentes no siempre es cierta.
19
 6.8.6 LA FUZZIFICACION EN LAS REDES NEURALES
• El fuzzificación puede entrar en las redes neuronales
para definir los pesos de los conjuntos difusos. En una
comparación entre los sistemas expertos y los sistemas
difusos es importante entender en el contexto de redes
neuronales. Los sistemas expertos están basados en
las reglas con certeza. Tales reglas con certeza no
siempre pueden estar disponibles. Los sistemas
expertos tienen que considerar un juego exhaustivo de
posibilidades. No pueden conocerse tales juegos de
antemano. Cuando las reglas con certeza no son
posibles y cuando no es conocido si las posibilidades
son exhaustivas, el acercamiento de los sistemas
expertos no es uno bueno.

20
 LA FUZZIFICACION EN LAS REDES NEURALES

Algunas redes neuronales. a través de los

rasgos de entrenar y aprender, puede
funcionar en la presencia de situaciones
inesperadas. En eso las redes neuronales
tienen una ventaja encima de los sistemas
expertos y ellos pueden manejar información
lejana menos información que la necesidad de
los sistemas expertos.

21
 6.8.7 EJEMPLO DE LOGICA DIFUSA
Construyamos un fuzzificador sencillo basado en una aplicación
para predecir la dirección de la bolsa de valores. La Reseva
federal de politica fiscal clasifica en una de las categorías difusas:
Muy acomodado . acomodado . apretado , y muy apretado.

1.0

Muy
Acomodado Acomodado
Apretado
Muy
Apretado

0.0 1.0 2.0 3.0 4.0 5.0 6.0 7.0 8.0 9.0 10.0 11.0 12.0 13.0 14.0

22
Interés
 EJEMPLO DE LOGICA DIFUSA

La figura muestra las categorías borrosas para las tasas de

interés diferentes. En cualquier nivel dado de tasa de interés .
usted podría tener una posible categoría o varios . Para
averiguar la probabilidad porcentual de la gráfica. Tome la
altura de cada curva en una tasa de interés dada y normalizar
esto para un largo de una unidad. A 8 % de categoría
apretada es sobre 0,8 unidades en la altura , y el
acomodado es cerca de 0.3 unidades de altura . El total es
acerca de 1.1 Unidades y la probabilidad de que los valores
de que sean apretados es entonces 0.8/1.1 = 0.73 ,
mientras al probabilidad de los valores sean acomodados es
0.27 = 0.3/1.1
23
24
 EJEMPLO DE LOGICA DIFUSA
1)FUZZIFICACION DE LAS ENTRADAS
La fuzzificación o emborronamiento de una entrada es el proceso por el
cual se calcula el grado de pertenencia a uno o varios de los conjuntos
borrosos en que se divide el rango de valores posibles para dicha
entrada. Por ejemplo, si se trata de un sistema de control de velocidad de
giro de un ventilador cuya entrada es la temperatura ambiente, el rango
(dominio) de posibles temperaturas se podría considerar dividido en tres
conjuntos borrosos, que se podrían denominar: FRÍA, que incluiría las
temperaturas, por ejemplo, en el rango 5 C – 13 C; el conjunto FRESCA,
con valores desde 9C hasta 21C; el conjunto de temperatura
AGRADABLE, con los valores 17C-29C; CÁLIDA, con valores 25C-37C; y
el conjunto de temperatura TÓRRIDA, con valores entre 33C y 40C.
FRÍA={5..13} FRESCA={9..12} AGRADABLE={17..29}
CALIDA={25..37} TÓRRIDA={33..40}

25
 Ejemplo de lógica difusa
Estos conjuntos pueden considerarse borrosos si se
supone que los valores de temperatura que
contienen no pertenecen en el mismo grado al
conjunto. En este caso, es evidente que una
temperatura de 20C es menos fresca que una de
15C, con lo que la primera pertenecerá en menor
grado que la segunda al conjunto de temperaturas
FRESCAS. De hecho, la primera (20C) también
puede considerarse como AGRADABLE, ya que
pertenece a este conjunto, aunque en menor medida
que otra, por ejemplo, de 23C, que sería la más
AGRADABLE, al ser la temperatura ambiente ideal. 26
 Ejemplo de lógica difusa

Si utilizamos funciones triangulares en el

ejemplo del controlador del ventilador,
podríamos tener unas funciones de
pertenencia para todo el dominio de posibles
valores de entrada como las indicadas en la
figura.

27
µ(x)

fría fresca agradable cálida tórrida

5 9 13 17 21 25 29 33 37 40 X(c )
Figura 6.1: Conjuntos borrosos para la temperatura
En el ejemplo de las temperaturas, si x=18 C, los grados de pertenencia
serían:
µfría(18)=0.0 µfresca(18)=0.5 µagradable(18)=0.17
µcálida(18)=0.0 µtórrida(18)=0.0

28
2. EVALUACIÓN DE LAS REGLAS DE CONTROL
Para gobernar el comportamiento del sistema, el diseñador debe establecer una
serie de reglas de la forma SI-ENTONCES para indicar la acción a realizar en
función del conjunto al que pertenece la entrada al sistema. La forma general de una
regla es:
R: SI (x es A) ENTONCES ( y será C)
También se pueden utilizar notaciones:
R: A->C R:(A;C)
En la figura 6.2 se muestran estos conjuntos para la velocidad.
µ(y)

Parado lenta media rápida máxima

0 10 20 30 40 50 Y(rpm)
60
29
 Ejemplo de lógica difusa
Una vez establecidos los conjuntos, se pueden crear las
reglas de control que determinen el tipo de velocidad en
función de la temperatura. Estas reglas podrían ser:
Regla 1: SI (Temperatura es FRÍA) ENTONCES (Velocidad
será PARADO)
Regla 2: SI (Temperatura es FRESCA) ENTONCES
(Velocidad será LENTA)
Regla 3: SI (Temperatura es AGRADABLE) ENTONCES
(Velocidad será MEDIA)
Regla 4: SI (Temperatura es CÁLIDA) ENTONCES
(Velocidad será RÁPIDA)
Regla 5: SI (Temperatura es TÓRRIDA) ENTONCES
(Velocidad será MÁXIMA).
30
 Ejemplo de lógica difusa

Estas reglas componen lo que se denomina

base de reglas del sistema. Su evaluación
consiste en determinar qué regla (o reglas) se
activará ante un determinado valor de
entrada. Para averiguarlo, se parte del grado
de pertenencia de dicho valor a cada uno de
los diferentes conjuntos borrosos del dominio
de entrada.

31
3) DEFUZZIFICACIÓN DE LAS SALIDAS
La defuzzificación o desemborranamiento de las salidas
consiste en obtener un valor numérico para cada una de las
salidas del sistema a partir de los conjuntos borrosos a los que
pertenecen. En el ejemplo del ventilador, se puede llegar a la
conclusión, mediante la evaluación de las reglas, de que la
velocidad debe ser MEDIA, pero esto no es suficiente, ya que
es preciso obtener un valor numérico que indique la velocidad
exacta a la que debe girar el ventilador.
En el caso del ventilador, si la temperatura es de 18C, se
activaron las reglas 2 y 3, correspondientes a velocidades
LENTA y MEDIA con pesos 0.5 y 0.17, respectivamente, por lo
que el nuevo conjunto de valores de salida, unión de los
anteriores. 32
33