Sistemas de inferencia basados en lgica borrosa: fundamentos y caso de

estudio

Introduccin
La lgica borrosa es una generalizacin de la lgica clsica, en donde las
variables no asumen nicamente dos valores 0 y 1, existe una variacin
(casi cero, casi 1) y permite incorporar a la computacin esquemas de
razonamiento humano y hace posible expresar en trminos lingsticos el
conocimiento de los expertos.
Fundamentacin terica
Conjunto clsico
Un conjunto se puede definir como una coleccin de elementos con una
propiedad en comn. A los conjuntos clsicos se le asigna un valor de 0 o 1 a
los elementos para indicar si pertenecen o no al conjunto.
Conjunto borroso
Un conjunto que contiene elementos cuya pertenencia no es absoluta, es decir
que la propiedad puede ser cierta con un grado de verdad. Para cada conjunto
existe una funcin de pertenencia con la que se determina en qu medida
forman parte del conjunto los elementos.
Funciones de pertenencia
Los elementos de un conjunto borroso se pueden determinar mediante una
funcin de pertenencia, la cual denota el grado con el que un elemento x
pertenece a A. Cuanto mas cerca est del valor de 1, mayor ser la
pertenencia
Operaciones conjuntos borrosos

Interseccin
Unin
Negacin

Lgica borrosa
Es un sistema de lgica que formaliza el razonamiento aproximado. Utiliza
reglas heursticas donde el antecedente y el consecuente son conjuntos
borrosos.
Se utiliza cuando existe una complejidad muy alta y no existen modelos
matemticos precisos, para procesos no lineales y cuando involucra
definiciones y conocimiento no definido. No es buena idea utilizarla cuando
existe un modelo matemtico ya soluciona eficientemente el problema.
Sistema de inferencia borroso
Sistemas expertos con un razonamiento aproximado que mapean un vector y
se basan en la lgica borrosa para ese mapeo.
Borrosificador
En esta etapa se toman los datos de entrada y se determina el grado de
pertenencia a cada uno de los conjuntos difusos, a travs de las funciones de
pertenencia. La conversin de los datos de entrada a valores lingsticos
expresa la proporcin de similitud del dato a cada trmino lingstico de la
variable.
Base de reglas borrosas
Las reglas se pueden definir como la combinacin de varios conjuntos borrosos
de entrada llamados antecedentes y de salida llamados consecuentes. Se
asocian mediante operadores, al aplicar un operador sobre dos conjuntos, se
obtiene uno nuevo.

Reglas tipo Mamdani: Cada regla tiene un lado izquierdo formado por
uno o varios antecedentes y un lado derecho formado por un
consecuente. Es ms intuitivo, se encuentra ampliamente aceptado y se
adapta mejor al lenguaje humano.
Reglas tipo Sugeno: SI u1 es A1 Y u2 es A2 Y....Y un es An ENTONCES v =
f (u1, u2,... un) donde los ui son las variables lingsticas de entrada, los
Ai son los valores lingsticos que dichas variables pueden asumir, v es
la variable de salida y f representa una funcin lineal de las entradas. Es
eficiente en trminos de computacin, funciona bien con tcnicas
lineales y garantiza la continuidad en la superficie de salida.
Mecanismo de inferencia
Es la interpretacin de las reglas si-entonces con el fin de obtener conclusiones
de salida. La inferencia se basa en el paradigma modus ponens, el cual se
puede interpretar como la transformacin de los grados de cumplimiento del
lado izquierdo de las reglas a grados de posibilidad del lado derecho.
Representa el ncleo de los sistemas de inferencia borrosos, pues agrupa la
lgica de inferencia borrosa del sistema. Cada regla cuenta con un nivel de
disparo que depende del grado de similitud que guarda, del estado de las
variables de entrada y la estructura de antecedentes de cada regla.

Inferencia en sistemas Mamdani

o Clculo de la parte Si de las reglas.
o Clculo de la parte Entonces de las reglas.
o Agregacin.
Inferencia en sistemas Sugeno
o Calculo de la parte Si de las reglas
o Calculo de la parte Entonces de las reglas.
o Salida en sistemas Sugeno.

Desborrosificacin
Es el proceso de convertir los valores borrosos de salida que resultan del
proceso de inferencia en informacin expresada mediante un valor ntido.
La seleccin del mtodo de desborrosificacin es decisivo en la sntesis de
modelos difusos para muchas reas de aplicacin. Su influencia puede ser
determinante en el comportamiento del controlador.

Centro de mximos. En este mtodo se consideran los trminos

lingsticos de la variable borrosa de salida que resultan de la aplicacin
de la inferencia, y sus valores mximos de pertenencia.
Suma de los centros de reas. La idea de este mtodo es considerar
individualmente el centro de gravedad de los conjuntos borrosos
obtenidos en la aplicacin de inferencia y efectuar la medida ponderada
del conjunto total.
Centro de rea. La idea de este mtodo es similar al anterior pero
corrige el efecto de superposicin de las reas entre una conclusin y
otra.