Logica Difusa Diapositivas

Lgica Borrosa o
Difusa
Introduccin
Ingenieras del Conocimiento

EIE
1
Contenido
Orgenes
Conjuntosborrosos
Operaciones con conjuntos borrosos
Razonamiento borroso
Representacin del conocimiento
Mtodos de inferencia
Fuzzificadores-Defuzzificadores
2
Introduccin a la
Lgica Difusa
Orgen
Conjuntos Operaciones Razonamiento

borrosos borrosas borroso
Representacin
Funciones de Relaciones en del
pertenencia Conjuntos conocimiento
borrosos
Mtodos de
inferencia
3
Orgenes Conjuntos borrosos Operaciones Razonamiento
Fundamentos de FL
Lofty Zadeh es el padre del
trmino fuzzy, en 1965
publica Fuzzy Sets en la
revista Information and
Control.
La intencin de Zadeh era
crear un formalismo para
manejar de forma ms
eficiente la imprecisin del
razonamiento humano.
4
FL
Es una rama de AI que permite trabajar
con razonamiento imprecisos
partiendo de conocimiento impreciso
que se representan mediante
conjuntos borrosos (fuzzy sets).
5
Conjuntos borrosos
By Zadeh 1965,
A fuzzy set is a class of objects with a
continuum of grades of membership. Such
a set is characterized by a membership
function which assigns to each object a
grade of membership ranging between
zero and one.
Fuzzy Sets = Elements + Membership Functions

6
Conjuntos borrosos
Definicin Formal: Sea X un espacio de puntos (objetos),
con un elemento genrico denotado por x. As, X = {x}.
Un conjunto borroso A en X se caracteriza por una funcin de
pertenencia fA(x) que asocia a cada elemento de X un nmero
real en [0; 1], donde el valor fA(x) representa el "grado de
pertenencia de x en A".
A={x, fA(x)}
Ej: A = ( a1 / x1, a2/x2.....an/ xn ) considerando el conjunto difuso alta
asociado a la variable lingstica estatura: 7
ALTA = (0/1.65, 0.8/1.75, 0.9/1.85, 1/1.95)

Tipos de conjuntos
Clsico Borrosos
x x
x
x x x
x
x x
x
x x
8
Ej. de conjuntos borrosos

Conjunto de hombres jvenes
Conjunto de hombres de edad media
Conjunto de hombres viejos
Cmo se definen los conjuntos?

Cules son los lmites?
Son estrictos? 9
Ej. de conjuntos clsicos
10
Ej. de conjuntos borrosos

Definicin de las funciones de pertenencia
11
Funciones de Pertenencia
La membership function mapea cada
elemento del conjunto borroso a un
valor de pertenencia
fA: X -> [0,1]; X es el espacio de entrada o

universo del discurso
12
Tipos de fs de
pertenencia
Triangular Trapezoidal
13
Tipos de fs de
pertenencia
Gaussiana
Sigmoides
14
Fs de pertenencia:
obtencin
1. Evaluacin subjetiva: individuos asignan un
grado de pertenencia subjetivo a cada
elemento
2. Frecuencias o probabilidades: estadsticas
basadas en histogramas o el porcentaje de
respuestas afirmativas y negativas sobre la
pertenencia de un elemento al conjunto.
3. Funciones ad-hoc: en los sistemas borrosos
de control se suele utilizar funciones de
pertenencia sencillas (triangulares o
trapezoidales). 15
Propiedades en conjuntos
borrosos
Normality, A is called normal if its supreme is one:
Sup fA(x) = 1, for every x in X
Igualdad, A=B f A ( x )=f B ( x ); x X
Inclusin, AB f A ( x )f B ( x ); x X
16
Operaciones en
conjuntos borrosos
17
Operaciones bsicas con

conjuntos borrosos
Unin, f AB ( x )=max { f A ( x ),f B ( x ) }
Interseccin, f AB ( x )=min { f A ( x ),f B ( x ) }
Complemento, f A ( x )=1f A ( x )
A B A B A
18
Complementos, T-normas
y T-conormas
Las operaciones bsicas no son nicas.
Hay distintas formas de complementos
(C), intersecciones (T-normas) y
uniones (T-conormas) borrosas
19
Operadores genricos:
Complemento
Dado un conjunto borroso A={x, fA(x)}, el N(A) se
interpreta como el grado en que x no pertenece a A
Comp = N : [0,1] [0,1]
Frontera N(0)=1 y N(1)=0

Monotona N(a) N(b) if a b
Involucin N[N(a)] = a
f A ( x )=1f A ( x )
1
20
0 4 5 8 x
T-norm
Intersection of fuzzy sets A and B:
fAB(x) = T(fA(x), fB(x))
Commutativity: T(a, b) = T(b, a)
Associativity: T(a, T(b, c)) = T(T(a, b), c)
Boundary: T(a, 0) = 0, T(a, 1) = a
Monotonicity: T(a, b) T(a, c) if b c
fAB f AB ( x )=min { f A ( x ),f B ( x ) }

1
0 4 5 8 x 21
Ej. T-norm
Interseccin estndar: Min(a,b) = min(a,b)
Producto algebraico: Prod(a,b) = a b
Diferencia acotada: W(a,b) = max (0, a+b-1)
Lukasiewicz
Interseccin drstica: a, si b=1;
Z(a,b) b, si a=1;
0 en otro caso.
Z W Prod Min 22
T-conorm
Union of fuzzy sets A and B
fAUB(x) = S(fA(x), fB(x)); T-conorm or S-norm
Commutativity: S(a, b) = S(b, a)

Associativity: S(a, S(b, c)) = S(S(a, b), c)
Boundary: S(a, 1) = 1, S(a, 0) = a
Monotonicity: S(a, b) S(a, c) if b c
A B ( x ) = max{ f A ( x ), f B ( x )}
fAUB f
1
0 4 5 8 x 23
Ej. T-conorm
Unin estndar: Max(a; b) = max(a; b)
Suma algebraica: Prod*(a; b) = a + b a.b
Suma acotada: W*(a; b) = min(1;a + b)
dual de Lukasiewicz
Unin drstica: a, si b=0;
Z*(a,b) = b, si a=0;
1 en otro caso.
Max Prod* W* Z*
24
Prop. de operaciones
borrosas
Involucin A= A
Commutativa 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 )
Idempotencia A A = A A A = A
Absorcin A ( A B) = A A ( A B) = A
Leyes de De Morgan A B = A B A B = A B 25
Prop. de operaciones
borrosas
Prop. en gral invlidas por abandonar el
concepto de pertenencia: un elemento
puede pertenecer a un conjunto y a su
complemento.
Ley de la contradiccin
A A =
Ley de exclusin media
A A =U 26
Ejemplo- Supongamos
que:
Una persona desea ir a tomar una cerveza que
sea barata,
en un local tradicional,
y que el local quede cerca de su casa
El dispone de 4 lugares conocidos
Podemos distinguir tres conjuntos difusos

1) Cerveza barata
2) Local tradicional
3) Cercana a su hogar
27
Una cerveza barata es una que cueste
alrededor de $1000 o menos
Un local tradicional es un local que al
menos tenga 5 aos funcionando.
Que quede cerca de su casa es que no
quede a ms de 10 cuadras
Conjunto: cerveza barata Conjunto: local tradicional Conjunto: cercana de su hogar
28
Caractersticas
Caractersticas de de los locales
Precio Cerveza ($)los locales
Aos de servicio (aos) Cuadras
Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10
Solucin
Precio Cerveza ($) Aos de servicio Cuadras clsica
Local 1 0 0 1
Local 2
Local 3
Local 4
Precio Cerveza ($) Aos de servicio Cuadras Solucin difusa
Local 1 0,2 0,5 1
Local 2
Local
Local
3
4 T-norm
29
Caractersticas de los locales
Precio Cerveza ($) Aos de servicio (aos) Cuadras
Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10
Solucin
Local 1 0 0 1
Local 2 1 1 0
Local 3 1 0 1
Local 4 0 1 1
Local 1 0,2 0,5 1
Local 2 1 1 0,6667
Local 3 1 0,875 1
Local 4 0,5 1 1
30
Caractersticas de
Precio Cerveza ($)los locales
Aos de servicio (aos) Cuadras
Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10
Solucin
Local 1 0 0 1 0
Local 2 1 1 0 0
Local 3 1 0 1 0
Local 4 0 1 1 0
Local 1 0,2 0,5 1 0,2
Local 2 1 1 0,6667 0,6667
Local
Local
3
4
1
0,5
0,875
1
1
1
0,875
0,5 T-norm
31
Ejemplo
Mediante la solucin clsica el individuo
no encuentra un local
Mediante la solucin difusa deducimos

que el individuo posiblemente ira al
Local 3.
32
Razonamiento
borroso
33
Razonamiento
La lgica borrosa trata con proposiciones
borrosas que asignan un valor a una variable
lingstica, p. ej.estatura, el valor
estatura es alta, mediante un conjunto
difuso A definido sobre el universo de
discurso X de la variable lingstica.
Analogamente, para la variable lingstica
peso, el valor peso elevado,se define
en el universo de discurso Y de dicha variable
lingstica.
34
Variable lingstica
Una variable lingustica es caracterizada por una
quntupla
( x,T ( x ),X,G,M )
Donde
x: Variable base (nombre de la variable)
T(x): Conjunto de trminos lingusticos de x que
refieren a la variable base
X: Conjunto universo
G: Es una regla sintctica (gramtica) para
generar trminos lingusticos
M: Es una regla semntica que asigna a cada
trmino
un significado
35
Ej. De variable lingstica

La velocidad puede ser interpretada como una variable
lingstica
T(velocidad) podra ser
T(velocidad)={lento, moderado, rpido, muy lento, mas o

menos rpido, ...}
Cada trmino es caracterizado por un conjunto difuso
definido sobre un conjunto universal X=[0,100]
Podemos interpretar las etiquetas
Lento como una velocidad menor a 40 Km/h

Moderado como una velocidad cercana a 55 Km/h
Rpido como una velocidad alrededor de 70 Km/h
36
37

Podemos encontrar el nmero difuso muy
lento o mas o menos lento a partir de
lento
( muyLento ) ( x )=( Lento ) p ( x) p>1
(mas o menosLento)( x)=( Lento ) p ( x) 0<p<1
38
Implicaciones
Definir
una implicacin es asignar una
funcin de pertenencia a una agrupacin
antecedente-consecuente del tipo PQ
Nos permite razonar con afirmaciones
tales como:
SI la velocidad es normal ENTONCES la
fuerza de frenado debe ser moderada
39
Conocimiento:
representacin en reglas .
borrosas
Trminos
lingsticos
Si A es BAJA y B es ALTA Entonces C(A,B) es MEDIO
Variables Operador Variable

Premisa de entrada lgico borroso de salida Conclusin
(Normas)
40
Implicaciones
Modus Ponens
Clsico Premisa Si P entonces Q
Hecho P
Consecuencia Q
Modus Ponens
Premisa Si P entonces Q
Generalizado Hecho P*
(GMP)
41
Implicaciones
Opciones para definir:
Terica: Darle el mismo significado de lgica
clsica.
PQ PQ mpq(u,v) = max(1-mp(u), mq(v))
PQ (P(Q)) mpq(u,v) = 1 min[mp(u), 1-mq(v)]
Prctica: Darle un significado causa-efecto.

Implicacin de Mamdani
P Q PQ mp q(u,v) = min( mp(u), mq(v))
42
Implicaciones
Implicaciones usuales: Nombre Frmula
Zadeh Max(1-p, Min(p,q))
Min (de Mamdani) Min(p,q)
Luckasiewicz Min(1, 1-p+q)
Larsen pxq
Luckasiewicz, que se deduce de la regla:

PQ= PvQ
Gracias a estos modelos podemos determinar el conjunto
borroso de la regla
Luckasiewicz y Zadeh son compatibles con la lgica clsica.
Los de Mamdani y de Larse no son compatibles con la lgica
clsica:
a b Zadeh Mamdani Luckas. Larsen
1 1 1 1 1 1
1 0 0 0 0 0
0 1 1 0 1 0 43
0 0 1 0 1 0
Implicaciones
Los operadores de Mamdani y de Larsen no son
compatibles con la lgica clsica. Por qu se usan?
Supongamos un modelo causal donde las
consecuencias slo se dan por la aparicin de las
causas especificadas en la KB => es falsa la relacin
de implicacin en la que el antecedente es falso y el
consecuente verdadero. Esto es, es falso que no se
produzca la causa pero si la consecuencia.
Por tanto, los operadores de Mamdani y Larsen son

tiles para hacer un modelo de implicador como
relacin de causa-efecto. Son ampliamente
utilizados en ingeniera, en donde es falso que falso
verdadero. 44
Razonamiento
aproximado
Con lo visto podemos determinar las distribuciones de
posibilidad de la regla segn el hecho:
Regla: (PQ)(x,y)
Hecho: P*(x)
Pero todava no podemos definir la conclusin, Q*(x), ya

que para ello necesitamos componer Regla y Hecho.
45
Teora del Razonamiento

aproximado
Razonamiento con informacin imprecisa o
incierta
Nuevamente: Modus Ponens clsico dice
Premisa Si P entonces Q
Hecho P
Interpretacin:
Si P es verdadero y PQ es verdadero, entonces
Q es verdadero
46
La inferencia difusa de la implicacin est

basada en la regla composicional de
inferencia
Regla composicional de inferencia

Premisa: Si u est en P entonces v est en Q
Hecho: u est P*
Consecuencia: v est Q*
Donde Q* est determinado por la composicin

Q* = P* (PQ)
matriz asociativa M 47
Composicin
Disponiendo de la matriz M[nxq] obtenida a partir de
PQ, el proceso de inferencia difusa permite a partir
de la informacin P* (subconjunto de P), inducir un
subconjunto Q* de Q.
Siendo P=(p1, , pn) y Q=(q1,,qq)
p1q1 p1q2 p1qq

p2q1 p2qj
M = PxQ= si usamos =min, mij=min(pi,qj)
piq1
pnq1 p1q2 p1qq
48
Regla composicional
En casos prcticos se utiliza la composicin max-
T-norma
Q* = P* (PQ)
Sean dos conjuntos P y Q definidos en U y V resp.
{T [ P(u ), ( P Q ) (u,v ) ] } ,v V
T: si existe un solo camino de conexin entre Pi* y (PQ)ij, tomamos el
menor de los grados de pertenecia asociados de cada tramo. Carece de
sentido que la intensidad de la relacin fuese mayor al tramo ms dbil.
max: si existe ms de un camino de conexin, tomamos el mayor (en
relaciones binarias, es anlogo a si existe al menos un camino) 49
Ej. de implicaciones
(INTELIGENCIA ARTIFICIAL, M. ALFONSO et
al)
REGLA: Si ddest es lejana entonces v debe ser rpida
250 300 350 400 450

flejana= [ 0,25 0,5 0,75 1 1 ] (P)
40 50 60 70
frapida= [ 0 0,2 0,6 1 ] (Q)
50
Ej. Mandani (max-min),

INTELIGENCIA ARTIFICIAL, M. ALFONSO et al
REGLA: Si ddest es lejana entonces v debe ser rpida

250 300 350 400 450 Q
flejana= [ 0,25 0,5 0,75 1 1 ] 40 50 60 70
0 0,2 0,25 0.25 250
40 50 60 70 flejanarapida= 0 0,2 0,5 0,5 300 = M
frapida= [ 0 0,2 0,6 1 ] 0 0,2 0,6 0,75 350
P 0 0,2 0,6 1 400
0 0,2 0,6 1 450
Para un hecho borroso (vector de ajuste)

250 300 350 400 450
ddest= [ 0,75 1 0,75 0 0 ]
51
Inferencia borrosa:
Mamdani
1. Entrada: valores crisp; una regla
2. Entrada: valores crisp, varias reglas
3. Entrada: una lectura borrosa
52
1. Inferencia borrosa: max-

min
REGLA: IF A THEN B
Cuando A* tiene un solo valor de pertenencia distinto de 0, p. ej., x k
se puede utilizar solo A (xk) directamente con la representacin
de Q, Q (y) para inducir B* como
B* = A (xk) B (y)
125 53
54
B
A re p re s e n ta u n a e n tra d a d e t= 1 2 5 55
E l s u b c o n ju n t o A ( le c t u r a n ic a )
in d u c e u n c o n ju n t o d if u s o B u t iliz a n d o la
c o m p o s ic i n m a x - m in :
56
In fe re n c ia m a x - m in - E je m p lo
52
2. Inferencia borrosa
Regla 1: Si caudal en 1 es medio y caudal en 2 es medio
entonces nivel en 3 es medio
Regla 2: Si caudal en 1 es medio y caudal en 2 es alto
entonces nivel en 3 es alto
Bajo Medio Alto Se aplica cuando las

reglas tienen el
.49 mismo consecuente
Grados de
C1 Caudal en 1
pertenencia
Bajo Medio Alto
.56 Valores de
entrada: C1, C2
.2
C2 Caudal en 2
58
2. Inferencia borrosa .
Regla 1: Si caudal en 1 es medio y caudal en 2

es medio entonces nivel en 3 es medio
Regla 2: Si caudal en 1 es medio y caudal en 2
es alto entonces nivel en 3 es alto
Fuzzyficador Norma T: MIN
Bajo Medio Alto
Regla Ant. 1 Ant. 2 (A_1A_2)

Regla 0.49 0.2 0.2 .49
1
Regla 0.49 0.56 0.49 C1 Caudal en 1
2 Bajo Medio Alto
.56
.2
Grado de veracidad
de la regla C2 Caudal en 2
59
Regla 1: Si caudal en 1 es medio y caudal en 2 es medio

entonces nivel en 3 es medio
Regla 2: Si caudal en 1 es medio y caudal en 2 es alto
entonces nivel en 3 es alto
MIN
Bajo Medio Alto Bajo Medio Alto Bajo Medio Alto Regla 1
.56
.49 .49
.2 .2
C1 Caudal 1 C2 Caudal 2 Nivel en 3
Bajo Medio Alto Bajo Medio Alto Bajo Medio Alto
.56 Regla 2
.49 .49
.2 .2
C1 Caudal 1 C2 Caudal 2 Nivel en 3
Bajo Medio Alto

Regla 1
Regla 2
.49
.2
Nivel en 3
60
2. Inferencia borrosa
Grado de Bajo Medio Alto
Regla 1
Regla veracidad
de la regla Regla 2
Regla 0.2 .49
1 .2
Regla 0.49 Nivel en 3

2
Defuzificacin Nivel en el punto 3
Centro de rea o Centro promedio

l
ui U ( u i ) .49
i= 1 .2
C3=u= l
U ( u i ) C3 Caudal en el punto 3
i= 1
61
2. Inferencia borrosa:
max-T
Resumiendo
62
3. Inferencia borrosa:
max-T
En el caso que la entrada a la regla sea una
lectura difusa, nosotros podemos considerar
la interseccin de A y A*, es decir:
min (ai, a*i) para inducir el B*
63
Mtodos de
Defuzificacin
La salida de un proceso de inferencia es un conjunto
difuso, en procesos en lnea se requieren valores
crisp
Entrada Reglas Salida

crisp Codificador Decodificador crisp
x Up y=f(x) V
u Up Inferencia v V
Conjuntos Conjuntos
difusos entrada difusos salida
64
Mtodos de
Defuzificacin
La salida de un proceso de inferencia es un conjunto
difuso, en procesos en lnea se requieren valores
crisp
Entrada Reglas Salida

crisp Codificador Decodificador crisp
x Up y=f(x) V
u Up Inferencia v V
Conjuntos Conjuntos
difusos entrada difusos salida
65
Mtodos de
Defuzificacin
Por ej.:
Centro de Gravedad
x (x)
x X
A
y c e n tro id e =
(x)
x X
A
Valor mximo
Promedio de max.
66
Mtodos de
Defuzificacin
Por ej.:
Centro de Gravedad
x (x)
x X
A
y c e n tro id e =
(x)
x X
A
Valor mximo
Promedio de max.
67
Resumen de tareas:
Modelando un Fuzzy
System
Definir las variables de entradas y salidas
Definir el universo de discurso
Determinar el nmero de funciones de
pertenencia
Distribuir las funciones de pertenencia
Definir el mtodo de borrosificacin
Definir el mtodo de inferencia
Definir el mtodo de desborrosificacin
Examinar la conducta del modelo y la
superficie de salida: Redefinir reglas Ejemplo 68
En resumen: Cundo usar

lgica borrosa
En procesos complejos, si no existe un
modelo de solucin sencillo
Cuando haya que introducir la experiencia de
un operador experto que se base en
conceptos imprecisos obtenidos de su
experiencia
Cuando ciertas partes del sistema a controlar
son desconocidas y no pueden medirse de
forma fiable
En general cuando se desea representar y
operar con conceptos que tengan
imprecisin
69
En resumen: Desventajas
Estabilidad: No hay garanta terica que un sistema
difuso no tenga un comportamiento catico y no siga
siendo estable, aunque tal posibilidad parece ser baja
debido a los resultados obtenidos hasta ahora
La determinacin de las funciones de
pertenencia y las reglas no siempre son
sencillas
La verificacin de los modelos y sistemas
borrosos expertos requiere de gran cantidad
de pruebas
70

Logica Difusa Diapositivas

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Logica Difusa Diapositivas

Caricato da

Copyright:

Formati disponibili

Lgica Borrosa o

Ingenieras del Conocimiento

Conjuntos Operaciones Razonamiento

Fuzzy Sets = Elements + Membership Functions

ALTA = (0/1.65, 0.8/1.75, 0.9/1.85, 1/1.95)

Ej. de conjuntos borrosos

Cmo se definen los conjuntos?

Ej. de conjuntos clsicos

Ej. de conjuntos borrosos

fA: X -> [0,1]; X es el espacio de entrada o

Igualdad, A=B f A ( x )=f B ( x ); x X

Operaciones bsicas con

Interseccin, f AB ( x )=min { f A ( x ),f B ( x ) }

Frontera N(0)=1 y N(1)=0

fAB f AB ( x )=min { f A ( x ),f B ( x ) }

Commutativity: S(a, b) = S(b, a)

El dispone de 4 lugares conocidos

Podemos distinguir tres conjuntos difusos

Mediante la solucin difusa deducimos

Ej. De variable lingstica

T(velocidad)={lento, moderado, rpido, muy lento, mas o

Lento como una velocidad menor a 40 Km/h

Ej. De variable lingstica

Ej. De variable lingstica

Si A es BAJA y B es ALTA Entonces C(A,B) es MEDIO

Variables Operador Variable

Prctica: Darle un significado causa-efecto.

Por tanto, los operadores de Mamdani y Larsen son

Pero todava no podemos definir la conclusin, Q*(x), ya

Teora del Razonamiento

La inferencia difusa de la implicacin est

Regla composicional de inferencia

Donde Q* est determinado por la composicin

p1q1 p1q2 p1qq

Sean dos conjuntos P y Q definidos en U y V resp.

REGLA: Si ddest es lejana entonces v debe ser rpida

250 300 350 400 450

Ej. Mandani (max-min),

REGLA: Si ddest es lejana entonces v debe ser rpida

Para un hecho borroso (vector de ajuste)

1. Inferencia borrosa: max-

Bajo Medio Alto Se aplica cuando las

Regla 1: Si caudal en 1 es medio y caudal en 2

Regla Ant. 1 Ant. 2 (A_1A_2)

Regla 1: Si caudal en 1 es medio y caudal en 2 es medio

Bajo Medio Alto

Regla 0.49 Nivel en 3

Defuzificacin Nivel en el punto 3

Centro de rea o Centro promedio

Entrada Reglas Salida

Entrada Reglas Salida

En resumen: Cundo usar

Potrebbero piacerti anche