Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Difusa
Introduccin
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
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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.
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
Tipos de conjuntos
Clsico Borrosos
x x
x
x x x
x
x x
x
x x
8
Orgenes Conjuntos borrosos Operaciones Razonamiento
10
Orgenes Conjuntos borrosos Operaciones Razonamiento
11
Orgenes Conjuntos borrosos Operaciones Razonamiento
Funciones de Pertenencia
La membership function mapea cada
elemento del conjunto borroso a un
valor de pertenencia
12
Orgenes Conjuntos borrosos Operaciones Razonamiento
Tipos de fs de
pertenencia
Triangular Trapezoidal
13
Orgenes Conjuntos borrosos Operaciones Razonamiento
Tipos de fs de
pertenencia
Gaussiana
Sigmoides
14
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
Propiedades en conjuntos
borrosos
Normality, A is called normal if its supreme is one:
Sup fA(x) = 1, for every x in X
Inclusin, AB f A ( x )f B ( x ); x X
16
Operaciones en
conjuntos borrosos
17
Orgenes Conjuntos borrosos Operaciones Razonamiento
Complemento, f A ( x )=1f A ( x )
A B A B A
18
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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]
f A ( x )=1f A ( x )
1
20
0 4 5 8 x
Orgenes Conjuntos borrosos Operaciones Razonamiento
Operadores genricos:
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
0 4 5 8 x 21
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
Operadores genricos:
T-conorm
Union of fuzzy sets A and B
fAUB(x) = S(fA(x), fB(x)); T-conorm or S-norm
A B ( x ) = max{ f A ( x ), f B ( x )}
fAUB f
1
0 4 5 8 x 23
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
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 ($) Aos de servicio Cuadras Solucin difusa
Local 1 0,2 0,5 1
Local 2
Local
Local
3
4 T-norm
Conjunto: cerveza barata Conjunto: local tradicional Conjunto: cercana de su hogar
29
Caractersticas de los locales
Precio Cerveza ($) 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
Precio Cerveza ($) Aos de servicio Cuadras clsica
Local 1 0 0 1
Local 2 1 1 0
Local 3 1 0 1
Local 4 0 1 1
Precio Cerveza ($) Aos de servicio Cuadras Solucin difusa
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
Conjunto: cerveza barata Conjunto: local tradicional Conjunto: cercana de su hogar
30
Caractersticas de
Precio Cerveza ($)los locales
Aos de servicio (aos) Cuadras
Local 1 1400 3 3
Local 2 800 7 12
Local 3 1000 4 9
Local 4 1250 5 10
Solucin
Precio Cerveza ($) Aos de servicio Cuadras clsica
Local 1 0 0 1 0
Local 2 1 1 0 0
Local 3 1 0 1 0
Local 4 0 1 1 0
Precio Cerveza ($) Aos de servicio Cuadras Solucin difusa
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
Conjunto: cerveza barata Conjunto: local tradicional Conjunto: cercana de su hogar
31
Orgenes Conjuntos borrosos Operaciones Razonamiento
Ejemplo
Mediante la solucin clsica el individuo
no encuentra un local
32
Razonamiento
borroso
33
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
36
Orgenes Conjuntos borrosos Operaciones Razonamiento
37
Orgenes Conjuntos borrosos Operaciones Razonamiento
38
Orgenes Conjuntos borrosos Operaciones Razonamiento
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:
Orgenes Conjuntos borrosos Operaciones Razonamiento
representacin en reglas .
borrosas
Trminos
lingsticos
40
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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)]
42
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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.
Razonamiento
aproximado
Con lo visto podemos determinar las distribuciones de
posibilidad de la regla segn el hecho:
Regla: (PQ)(x,y)
Hecho: P*(x)
45
Orgenes Conjuntos borrosos Operaciones Razonamiento
Interpretacin:
Si P es verdadero y PQ es verdadero, entonces
Q es verdadero
46
Orgenes Conjuntos borrosos Operaciones Razonamiento
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)
Regla composicional
En casos prcticos se utiliza la composicin max-
T-norma
Q* = P* (PQ)
{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
Orgenes Conjuntos borrosos Operaciones Razonamiento
Ej. de implicaciones
(INTELIGENCIA ARTIFICIAL, M. ALFONSO et
al)
50
Orgenes Conjuntos borrosos Operaciones Razonamiento
51
Orgenes Conjuntos borrosos Operaciones Razonamiento
Inferencia borrosa:
Mamdani
1. Entrada: valores crisp; una regla
2. Entrada: valores crisp, varias reglas
3. Entrada: una lectura borrosa
52
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
.56 Valores de
entrada: C1, C2
.2
C2 Caudal en 2
58
Orgenes Conjuntos borrosos Operaciones Razonamiento
2. Inferencia borrosa .
.56
.2
Grado de veracidad
de la regla C2 Caudal en 2
59
Orgenes Conjuntos borrosos Operaciones Razonamiento
Regla 2
.49
.2
Nivel en 3
60
Orgenes Conjuntos borrosos Operaciones Razonamiento
2. Inferencia borrosa
Grado de Bajo Medio Alto
Regla 1
Regla veracidad
de la regla Regla 2
Regla 0.2 .49
1 .2
61
Orgenes Conjuntos borrosos Operaciones Razonamiento
2. Inferencia borrosa:
max-T
Resumiendo
62
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
Mtodos de
Defuzificacin
La salida de un proceso de inferencia es un conjunto
difuso, en procesos en lnea se requieren valores
crisp
64
Orgenes Conjuntos borrosos Operaciones Razonamiento
Mtodos de
Defuzificacin
La salida de un proceso de inferencia es un conjunto
difuso, en procesos en lnea se requieren valores
crisp
65
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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
Orgenes Conjuntos borrosos Operaciones Razonamiento
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