Inteligencia Artificial

Profesores:
Dsc. Roger Misa Llorca.
Ing. Rodrigo A. Fernández.

UTH, curso 2021-2022

Inteligencia artificial para control

Conferencia No. 4

Contenido
Modelo difuso basado en reglas
Composición de relaciones
Inferencia
Objetivos
Que los alumnos:
Caractericen los sistemas difusos basados en reglas.
Apliquen la composición entre relaciones difusas.
Apliquen la inferencia para obtener la salida difusa.

Texto:
Fuzzy and neural control R. Babuska
Control Inteligente, Roger Misa
En la clase anterior se explicaron otras operaciones
difusas y se introdujeron las relaciones entre
conjuntos

Se realizó una generalización de las operaciones

de unión e intersección, o sea, las T-normas y las
T-conormas.

¿Cuáles fueron las T-normas explicadas?

Mínimo :  c ( x)  min(  A ( x),  B 8 x))
Producto: C ( x)   A ( x)  B ( x)
Intersección de Lukasewicz:
C ( x)  max(0,  A ( x)   B ( x)  1)
¿Cuáles fueron las T-conormas explicadas?

Máximo: C ( x)  max( A ( x),  B ( x))

Suma algebraica: C ( x)   A ( x)   B ( x)   A ( x)  B ( x)
Unión de Lukasiewicz: C ( x)  min(1,  A ( x)   B ( x))

La T-norma mayor es el mínimo.

La T-conorma menor es el máximo
Operadores de modificación

Contracción: CON(A) = A2

Dilatación: DIL(A) = A0.5

Relaciones

Las relaciones representan la presencia

o ausencia de asociación, interacción o
interconexión entre los elementos de dos
o más conjuntos.
Las relaciones se reflejan mediante el
producto Cartesiano
R  A  B  {(a, b) | a  A, b  B}
si a  b entonces A  B  B  A
Ejercicio propuesto
Considere un universo de discurso X compuesto de los
enteros del 1 al 10.
Suponga que existen las siguientes etiquetas:

Pequeño={ 1/1 + 1/2 + 0.9/3 + 0.6/4 + 0.3/5}

Medio ={ 0/1 + 0.1/2 + 0.3/3 + 0.7/4 + 1/5}.

Calcule la relación entre ambos conjuntos

Sistemas difusos

Un sistema estático o dinámico que hace

uso de conjuntos difusos y del marco
matemático correspondiente es un sistema
difuso.
Los conjuntos difusos pueden verse envueltos en un
sistema difuso de diferentes maneras, tales como:
En la descripción del sistema: un sistema puede ser
definido, por ejemplo, como una colección de reglas
IF-THEN con predicados difusos, o como una relación
difusa. Un ejemplo de una regla difusa que describe la
relación entre la potencia de calentamiento y la
temperatura en un salón puede ser la siguiente:
IF la potencia de calentamiento es alta THEN la
temperatura aumentará rápido.
En la especificación de los parámetros del sistema:
El sistema puede estar definido por una ecuación
algebraica o diferencial, en la cual los parámetros son
números difusos en vez de números reales. Como un
ejemplo, considere la ecuación y  3 x1  5 x2 , donde
3 y 5 son números difusos ¨alrededor de 3¨y
¨alrededor de 5¨, respectivamente, definidos por
funciones de membresía. Los números difusos
expresan la incertidumbre en los valores de los
parámetros
La entrada, la salida y las variables de estado
de un sistema pueden ser conjuntos difusos.
Las entradas difusas pueden ser lecturas de
sensores no confiables (datos ruidosos), o
cantidades relacionadas con la percepción
humana, tales como confort, belleza, etc.
Los sistemas difusos pueden procesar esa
Información, que no es el caso con los sistemas
convencionales
Los sistemas difusos pueden servir para
diferentes fines, tales como análisis de
datos, predicción, modelado y control.
Los sistemas difusos basados en reglas
se denominan modelos difusos, indepen-
diente del fin que persigan
Sistemas basados en reglas
En los sistemas difusos basados en reglas,
las relaciones entre las variables son repre-
sentadas por reglas del tipo IF-THEN de la
forma siguiente:

IF proposición del antecedente THEN proposición

del consecuente.

Las proposiciones difusas son afirmaciones tales

como ¨x es grande¨ donde grande es una etiqueta
lingüística, definida por un conjunto difuso sobre
el universo de la variable x.
La proposición del antecedente es siempre una
proposición difusa del tipo ¨x es A¨ donde x es
una variable lingüística y A es una etiqueta o
término lingüístico.
Dependiendo de la estructura particular de la
proposición del consecuente se distinguen tres
tipos de modelos:

Modelo difuso lingüístico (Zadeh, 1973, Mamdani,

1977): los antecedentes y los consecuentes son
modelos difusos. El modelo difuso solitario es un
caso especial donde los consecuentes son
conjuntos solitarios (singleton)
Modelo relacional difuso (Pedrycz, 1984 y Yi
y Chung,
1994): que puede considerarse una
generalización
del modelo lingüístico, permite que una
proposición
del antecedente en particular este asociada a
varias
proposiciones diferentes del consecuente, por
medio de una relación difusa
Modelo difuso Takagi-Sugeno (TS,1985)
Donde el consecuente es una función precisa
(crisp) de las variables del antecedente en vez
de una proposición difusa.

IF x is A AND y is B THEN z = f(x,y)

z es un polinomio, que puede ser:
z = ax + by + c Modelo Sugeno de primer orden
z=c Modelo Sugeno de orden cero
Modelo lingüístico

El modelo lingüístico ha sido introducido como una

manera de capturar conocimiento en forma de reglas
IF-THEN.
Ri: IF x es Ai THEN y es Bi i= 1,2,…,K
Aquí x es la variable lingüística de entrada
(antecedente) y Ai es la etiqueta. Similarmente, y es la
variable lingüística de salida (consecuente) y Bi es la
etiqueta lingüística del consecuente
Los términos lingüísticos o etiquetas lingüísticas
pueden verse como valores cualitativos
(información granulada), utilizadas para describir
una relación particular por medio de reglas
lingüísticas.
Típicamente, un conjunto de N términos
lingüísticos A = {A1, A2,…,An} es definido en
el dominio de una variable x.
Para diferenciar entre una variable lingüística
y la variable numérica original, esta última
se denomina variable base
Variable lingüística

Una variable lingüística es aquella que puede tomar

por valor términos del lenguaje natural.
L es definida como un quíntuple.

L = (x,A,X,g,m)
x es la variable base (tiene el mismo nombre
que la variable lingüística).
A= {A1, A2…,An} es el conjunto de términos
lingüísticos o etiquetas.
X es el dominio o universo de discurso de x.
g es una regla sintáctica para genera etiquetas.
m es una regla semántica que asigna a cada
etiqueta su significado (un conjunto difuso en X)
 Temperatura Variable
lingüística

Baja Media Alta Etiquetas

 Regla
semántica

1
Funciones
de
membresía
0

0 10 20 30 40 Variable
t(temperatura ) base
Composición de relaciones difusas

Las relaciones en diferentes espacios

productos pueden ser combinadas entre ellas
por medio de la composición. Además, los
conjuntos difusos pueden ser combinados con
relaciones difusas de la misma manera.
Existen diferentes versiones del operador
composicional. La más conocida de todas es
una composición MAX-MIN. Otras como MAX-
PROD y MAX-AVERAGE también pueden ser
utilizadas.
 Composición de relaciones difusas
Sean R 1 ( x, y ), ( x, y )  X  Y , R2 ( y, z ), ( y, z )  Y  Z , dos
relaciones difusas.
La composición MAX - MIN es
R 1  R2 ( x, z )  [( x, z ), max{min{ R1 ( x, y ),  R2 ( y, z )}}]
y

La composición MAX - PROD es

R 1   R2 ( x, z )  [( x, z ), max{ R1 ( x, y )   R2 ( y, z )}]
y

La composición MAX - AVE es

1
R 1  AVE R2 ( x, z )  [( x, z ), max{ R1 ( x, y ),  R2 ( y, z )}]
2 y
donde  R1  u R2 es la función de membresía de una
composición difusa
Composición de relaciones difusas
Ejemplo
R1 es la relación que describe una interconexión entre el
color, x, y la madurez, y, de un tomate, y R2 representa
una interconexión entre la madurez, y, y el sabor, z ,de un
tomate. Presente las matrices relacionales para las
composiciones MAX-MIN y MAX-PROD

R1 tierno pinton maduro

verde 1 0.5 0
amarillo 0.3 1 0.4
rojo 0 0.2 1

R2 agrio agridulce dulce

tierno 1 0.2 0
pinton 0.7 1 0.3
maduro 0 0.7 1
Procedimiento para obtener la composición max-min
r11  max(min(1,1), min(0.5, 0.7), min(0, 0))  1

r12  max(min(1, 0.2), min(0.5,1), min(0, 0.7))  0.5

r13  max(min(1, 0), min(0.5, 0.3), min(0,1))  0.3
r21  max(min(0.3,1), min(1, 0.7), min(0.4, 0))  0.7
r22  max(min(0.3, 0.2), min(1,1), min(0.4, 0.7))  1
r23  max(min(0.3, 0), min(1, 0.3), min(0.4,1))  0.4
r31  max(min(0,1), min(0.2, 0.7), min(1, 0))  0.2
r32  max(min(0, 0.2), min(0.2,1), min(1, 0.7))  0.7
r33  max(min(0, 0), min(0.2, 0.3), min(1,1)  1
 Composición max-min

R(y,z) agrio agridulce dulce

verde 1 0.5 0.3

amarillo 0.7 1 0.4

rojo 0.2 0.7 1

Composición max-prod

r11  max(1, 0.35, 0)  1

r1,2  max(0, 2, 0.5, 0)  0.5
r1,3  max(0, 0.15, 0)  0.15
r21  max(0.3, 0.7, 0)  0.7
r22  max(0.06,1, 0.28)  1
r23  max(0, 0.3, 0.4)  0.4
r31  max(0, 0.14, 0)  0.14
r32  max(0, 0.2, 0.7)  0.7
r33  max(0, 0.06,1)  1
 Composición max-prod

R(y,z) agrio agridulce dulce

verde 1 0.5 0.15

amarillo 0.7 1 0.4

rojo 0.14 0.7 1

Matriz de asociación difusa (FAM)

Tarea: Obtenga la composición max-ave de las
relaciones R1 y R2
Composición de relaciones difusas
Ejemplo
La composición MAX-MIN R  R1  R2
es la matriz relacional

R(x, z) agrio agridulce dulce

verde 1 0.5 0.3
amarillo 0.7 1 0.4
rojo 0.2 0.7 1
La composición MAX-PROD R  R1   R2
es la matriz relacional
R(x, z) agrio agridulce dulce
verde 1 0.5 0.15
amarillo 0.7 1 0.4
rojo 0.14 0.7 1
Composición de relaciones difusas
Ejemplo
La interpretación lingüística en forma de reglas para la matriz
relacional resultante R  R1   R2 es directa

R(x, z) agrio agridulce dulce

verde 1 0.5 0.15
amarillo 0.7 1 0.4
rojo 0.14 0.7 1

es como sigue
R1: IF tomate es verde THEN es agrio, menos probable
que sea agridulce, e improbable que sea dulce

R2: IF tomate es amarillo THEN es agridulce,

posiblemente sea agrio, y poco probable que sea dulce

R3: IF tomate es rojo THEN es dulce, posiblemente sea

agridulce e improbable que sea agrio.
Ejemplo de composición de relaciones

Sea el caso de un motor

Suponga que la relación que existe entre la resistencia

de la planta y la corriente es R, y suponiendo que la
relación que existe entre la corriente y la velocidad es S,
la relación entre la resistencia y la velocidad no es
directa, pero se puede determinar a través de la
composición.
Entonces
R = Rs x I, S = I x N y T = Rs x N
La inferencia difusa es el proceso de formular el
mapeo de una entrada dada hacia una salida usando
la lógica difusa. La inferencia en sistemas difusos
basados en reglas es el proceso de obtener un
conjunto difuso de salida, dada las reglas y las
entradas. El mecanismo de inferencia en el modelo
lingüístico se basa en la regla composicional de
inferencia (Zadeh). Esto es, ser capaces de inferir una
conclusión cuando el antecedente es parcialmente
conocido o cuando el hecho es similar pero no igual al
conocido. Un típico problema de razonamiento
aproximado difuso es:
Implicación: IF tomate es rojo THEN es
dulce, posiblemente sea agridulce e
improbable que sea agrio
Premisa o hecho: El tomate es ±rojo (μr = 0.8)
Conclusión: Sabor = ?
La pregunta es, ¿teniendo un estado (premisa
o hecho) que no es exactamente igual al
antecedente, y la regla IF-THEN (implicación),
cuál es la conclusión?
Regla de inferencia composicional de Zadeh
Si R es una relación difusa desde un universo
de discurso X hacia un universo de discurso Y,
y x es un subconjunto difuso de X entonces, el
subconjunto difuso y de Y que es inducido por x
está dado por la composición
y  xR
Como se mencionó anteriormente, el operador
de esta composición es MAX-MIN, con
alternativas MAX-PROD o MAX-AVE
Conclusiones
En la conferencia se estableció las caracteristicas de
los sistemas difusos basados en reglas. Se presentaron
los diferentes tipos de modelos difusos basados en reglas.
Se explicó el uso de la composición para combinar
relaciones difusas,
Se introdujo el concepto de inferencia y la regla compo-
sicional de Zadeh.
En la próxima conferencia se continuará con la aplicacjón
de la regla composicional de Zadeh.
Ejercicio
Sean X = {3, 8, 10} y Y = {1, 2, 6, 7}, defina una
matriz relacional para las siguientes relaciones:
• “x es considerablemente mayor que y”
• “y es muy cercano a x”
• “x es considerablemente mayor OR es muy
cercano a y”
• “x es considerablemente mayor AND es muy
cercano a y”
Ejercicio
Para las dos relaciones difusas dadas por:
R1 =0.3 0 0.7 0.3
0 1 0.2 0

y R2 = 1 0 1
0 0.5 0.4
0.7 0.9 0.6
0 0 0

Calcule
1. composición MAX-MIN
2. composición MAX-PROD
3. composición MAX-AVE