Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
INTELIGENCIA ARTIFICIAL
Docente:
14-05-2013
Fecha de entrega
19-05-2013
1. SEMNTICA DE LOS CONJUNTOS BORROSOS? Similitud La semntica de conjunto borroso por la que el grado de pertenencia se interpreta como grado de similitud aplicaciones en clasicacin de patrones. y est vinculada a
Preferencia Es una de las utilidades ms evidentes para la aplicacin del formalismo aparece en problemas de decisin, en donde se ha de realizar una eleccin de los valores de ciertas variables de decisin sometidas a un conjunto de restricciones (exibles).
INTELIGENCIA ARTIFICIAL
A A A
Conmutativa
A A A
A B B A
Asociativa
A B B A
A B C A B C
Absorcin
A B C A B C
A A B A
A A B A
INTELIGENCIA ARTIFICIAL
Distributiva
A B C A B A C A B C A B A C
Leyes de De Morgan
A B A B A B A B
3. REALIZAR LOS DOS ANTERIORES TEMAS MEDIANTE EJEMPLOS DE CONJUNTOS? ASOCIATIVA Si en la unin de tres o ms conjuntos se reemplazan dos conjuntos por su unin efectuada, se obtiene el mismo resultado.
INTELIGENCIA ARTIFICIAL
INTELIGENCIA ARTIFICIAL
4. A QUE SE LLAMA PARTICIN BORROSA? Los conjuntos borrosos se pueden utilizar para representar variables lingsticas cuyos valores son nmeros borrosos que estn definidos en trminos lingsticos. Al conjunto de estos nmeros borrosos, que abarcan todo el universo de discurso de la variable, se le denomina particin borrosa. Ejemplo Si la temperatura se interpreta como una variable lingstica, el conjunto de valores que puede tomar podra ser {muy fra, fra, media, templada, clida, calurosa}. Cada uno de estos trminos est caracterizado por un conjunto borroso definido en el universo de discurso ([-6C, 48C]) de la variable temperatura, tal y como muestra la figura 3.2.
INTELIGENCIA ARTIFICIAL
5. AVERIGUAR SOBRE LAS RELACIONES BORROSAS? Sea X un conjunto clsico. Una relacin borrosa (o difusa) es una aplicacin. R: XxX [0,1], es decir, una relacin borrosa sobre X es un conjunto borroso XxX. Al conjunto (X, R) formado por un conjunto difuso X y una borrosa R se le llama estructura relacional borrosa. Ejemplos: X es cercano a y (x & y son numero reales) Si x entonces y (x & y son eventos) X es parecido a y (x & y son objetos)
Relaciones de similitud:
o Reflexiva Una relacin borrosa es reflexiva si y solo si las relaciones clsicas definidas por los subconjuntos de nivel de R son relaciones reflexivas. Se dice que una relacin borrosa es reflexiva si R(a, a) = 1 para todo a X. o Simtrica Una relacin borrosa es simtrica si y solo si las relaciones clsicas definidas por los subconjuntos de nivel de R son relaciones simtricas. Se dice que es simtrica si R (a, b) = R (b, a) para todo a, b y X.
INTELIGENCIA ARTIFICIAL
Relaciones de comparacin
Composicin Max-Min: Dados U, V y W, y dos relaciones borrosas P(U,V) y Q(V,W), se define la relacin Compuesta PoQ:R(U,W)=P(U,V)oQ(V,W)=
Ejemplo: U= (primavera, verano, otoo, invierno) V= (calor, frio) W= (camisa, jersey, abrigo) P (U, V)= (en la estacin U se siente V) Q (V, W)= (si se siente V, se usa W) Y las matrices P, Q y PoQ son:
Proyeccin
o Extensin cilndrica
una relacin en X Y.
Sean X y
el
conjunto difuso:
INTELIGENCIA ARTIFICIAL
Y sea
el conjunto difuso:
, denominadas
Composicin de relaciones
o Asociativa R o (S o T) = (R o S) o T
INTELIGENCIA ARTIFICIAL
EDIMED: A continuacin se muestra una interfaz que est en desarrollo realizada mediante Lgica Borrosa, EDIMED. EDIMED es una herramienta software para la realizacin de diagnsticos mdicos, el cual puede formar parte del aprendizaje y evaluacin de los estudiantes de Medicina. El estudiante selecciona el tipo de enfermedad y dependiendo de los sntomas que el sistema tenga registrados ms los sntomas que el paciente de dicho alumno le exponga, el sistema debera dar un diagnstico apropiado segn el tipo de enfermedad del paciente.
INTELIGENCIA ARTIFICIAL
10
XFUZZY 3.0: Xfuzzy 3.0 es un entorno de desarrollo para sistemas de inferencia basadas difusa. Se compone de varias herramientas que cubren las diferentes etapas del proceso de diseo de sistemas difusos, desde su descripcin inicial a la aplicacin final. Sus principales caractersticas son la capacidad para el desarrollo de sistemas complejos y la flexibilidad de permitir al usuario extender el conjunto de las funciones disponibles. El medio ambiente ha sido completamente programado en Java, por lo que se puede ejecutar en cualquier plataforma con JRE (Java RuntimeEnvironment). La siguiente figura muestra el flujo de diseo de Xfuzzy 3.0.
Otros programas: Razonamiento para el estudio de la probabilidad de eventos borrosos http://delivery.acm.org Diseo 2003.pdf Evaluacin de lgica difusa en el control de mquinas elctricas. http://dei-s1.dei.uminho.pt/pessoas/jaime/Documentos/CIT.pdf de bases de datos difusa modelada con UML. http://www.inf.udec.cl/~mvaras/papers/2003/fuzzy-IDEAS-
INTELIGENCIA ARTIFICIAL
11
ANLISIS DINMICO DE PROCESOS BORROSOS Se analiza el comportamiento dinmico de estructuras fuzzy en particular NBT y NBTr en procesos de decisin mediante una simulacin borrosa de distribuciones conocidas que permiten decidir el comportamiento del mercado. Se da un ejemplo concreto y la metodologa empleada. Lo bsico de este trabajo radica en la comparacin de los parmetros desde el punto de vista esttico (distribucin terica) y dinmica (comportamiento simulado del mercado). Por otra parte, la comparacin de los resultados tericos dinmicos con la informacin de un proceso real del mercado permitir abrir juicio sobre la formulacin de problemas.
INTELIGENCIA ARTIFICIAL
12
UNA SELECCIN DE CANALES DE DISTRIBUCIN A TRAVS DE RELACIONES BORROSAS En el presente trabajo nos ocupamos de uno de los aspectos relevantes de la "logstica". Se trata de analizar la seleccin del, o de los canales de distribucin para un nuevo producto, teniendo en cuenta la importancia de determinados criterios para la eleccin de las vas a utilizar en dicha distribucin. En nuestro caso manejamos el hecho de cmo hacer el tratamiento de la distribucin de un producto a partir de los grupos de productores, pasando por la preparacin del mismo para la venta, luego la eleccin de los posibles canales de distribucin, llegando a los consumidores. Abordamos el problema usando metodologa borrosa y trabajando con intervalos de confianza en [0, 1]. Se trabaja usando dos tcnicas: 1. - Planteando una relacin F~ borrosa y aplicando la composicin suma producto; 2. -Usando el valor propio dominante y el vector propio correspondiente. 3. En ambos casos se llega a un vector borroso que nos permite ofrecer un orden de prelacin para la eleccin de los canales propuestos.
LA EVALUACIN DE LA CALIDAD EN LA UNIVERSIDAD Si el sistema universitario tiene tres metas bsicas: educacin, investigacin y servicio comunitario, la evaluacin de la calidad de una institucin universitaria debera
INTELIGENCIA ARTIFICIAL
13
INTELIGENCIA ARTIFICIAL
14
http://www.ing.unal.edu.co/~ogduarte/Htextos/Maestrofuzzy/node18_mn.html
INTELIGENCIA ARTIFICIAL
15