LÓGICA DIFUSA

M.S HERNANDO GONZALEZ

hgonzalez7@unab.edu.co

Programa de Ingeniería Mecatrónica

Universidad Autónoma de Bucaramanga -
UNAB
Conjuntos clásicos (crisp)
Conjunto: La reunión de todos los elementos que verifican una
condición

A ={x∈Y | A( x)}

μ A ( x ) = 0 “No pertenece”
μ A ( x) ∈ [0,1]
μ A ( x) = 1 “Sí pertenece”
Conjuntos clásicos (crisp)
Los conjuntos clásicos se pueden definir de las siguientes
maneras:

‰ Extensión. Método de Lista (Finito)

A = {A, B, C, D, F, J, H}

‰ Comprensión Método de Regla

A = {x ε U / x cumple ciertas condiciones}
A = {x ε U / A ≤ x ≤ H & x≠E & x≠G}

‰ Método de membrecía (Comprensión)

1 si x є {A, B, C, D, F, J, H}
A(x) =
0 si x є {K, L, M, N}
A B C D F H J K L MN
Operaciones básicas entre conjuntos
Complemento. El complemento de un conjunto esta conformado por
todos los elementos de S que no pertenecen A (operador unario)
__
x ∈ A si x ∉ A
Intersección. Se define como el conjunto formado por aquellos elementos
de S que pertenecen a A y a B simultáneamente

x ∈ A ∩ B si x ∈ A y x ∈ B

Unión. Es el conjunto formado por aquellos elementos que pertenecen a A

o pertenecen a B o bien a ambos simultáneamente.
Propiedad de los conjuntos
Propiedad conmutativa Propiedad distributiva

A∪ B = B ∪ A A ∪ (B ∩ C) = ( A ∪ B) ∩ ( A ∪ C)
A∩ B = B ∩ A A ∩ (B ∪ C) = ( A ∩ B) ∪ ( A ∩ C)
Propiedad asociativa Leyes de absorción
( A ∪ B) ∪ C = A ∪ (B ∪ C) ( A ∪ B) ∩ A = A
( A ∩ B) ∩ C = A ∩ (B ∩ C) ( A ∩ B) ∪ A = A
Propiedad de idempotencia Propiedad de absorción por S y Φ

A∪ A = A A∪ S = S
A∩ A = A A ∩φ = φ
Propiedad de los conjuntos
Propiedad de identidad Leyes de Morgan
_________ __ __
A ∪φ = A A ∪ B = A∩ B
A∩ S = A _________ __ __
A ∩ B = A∪ B
Involución del complemento Leyes complementarias
__
= A∪ A = S
A= A __
A∩ A =φ

Ejemplo
 Definiciones
‰ Incertidumbre.
… Hace referencia al desconocimiento sobre eventos futuros.
… A medida que se dispone de más información la incertidumbre
se puede reducir
… La ausencia de incertidumbre es tener información total
‰ Probabilidad.
… Es una propiedad física de los objetos, determina la
posibilidad de que cierto evento puede ocurrir.
… Se calcula y verifica por experimentación.
‰ Vaguedad
… Nace del concepto lingüístico mismo, se refiere al significado
diferente que toma para cada persona una misma etiqueta
lingüística: ¿Cómo es su concepto de estatura Baja?
Lógica Fuzzy
„ Lotfi A. Zadeh es el padre de la teoría fuzzy (Zadeh, 1965)
„ La lógica difusa es una extensión de la lógica convencional (Booleana)
para manejar el concepto de verdad parcial
„ La verdad parcial se presenta cuando los valores de verdad se
encuentran entre “absolutamente cierto” y “absolutamente falso”
„ La lógica difusa es capaz de captar por sí mismos la vaguedad lingüística
de palabras y frases comúnmente aceptadas.
 ¿Cuando usar la lógica difusa?
„ En procesos complejos, si no existe un modelo de
solución sencillo.
„ En procesos no lineales.
„ 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 (con
errores posibles).
„ Cuando el ajuste de una variable puede producir el
desajuste de otras.
„ En general, cuando se quieran representar y operar con
conceptos que tengan imprecisión o incertidumbre.
 Aplicaciones de la lógica difusa
„ Control de sistemas: Control de tráfico, control de vehículos,
control de compuertas en plantas hidroeléctricas, centrales
térmicas, control en máquinas lavadoras, control de metros
(mejora de su conducción, precisión en las paradas y ahorro de
energía), ascensores…

„ Predicción y optimización: Predicción de terremotos, optimizar

horarios...

„ Reconocimiento de patrones y Visión por ordenador:

Seguimiento de objetos con cámara, reconocimiento de escritura
manuscrita, reconocimiento de objetos, compensación de
vibraciones en la cámara

„ Sistemas de información o conocimiento: Bases de datos,

sistemas expertos
Función de pertenencia
Definimos función de pertenencia como aquella aplicación que
asocia a cada elemento de un conjunto difuso el grado con que
pertenece al valor lingüístico asociado. Los conjuntos difusos son
caracterizados por sus funciones de pertenencia.

Frio Tibio Caliente

0 10 20 30 40 50 60 70 80 90 100 Temperatura

Fría = {1/0º, 0.7/10º, 0.5/20º, 0.2/30º}

Tibia = {0.1/20º, 0.6/30º, 1/40º, 0.6/50º, 0.2/60º}
Caliente = {0.4/50º, 0.8/60º, 1/70º , 1/80º , 1/90º , 1/100º}
Función de pertenencia
Función de pertenencia
1.0 ⎧ 0, x≤a
⎪x −a
⎪⎪ , a≤ x≤b
0.5
triángulo( x; a, b, c) = ⎨ b − a
c−x
⎪ , b≤ x≤c
0.0 ⎪c −b
0
a
50
b c
100
⎪⎩ 0, c≤x

1.0 ⎧ 0, x≤a
⎪x −a
⎪ , a≤ x≤b
0.5 ⎪b − a
trapecio( x; a, b, c, d ) = ⎨ 1, b≤ x≤c
⎪d − x
⎪d − c , c ≤ x ≤ d
0.0 ⎪ 0, d≤x
ab c d ⎩
0 50 100
Función de pertenencia
1.0

2
0.5 −⎛⎜ xσ−c ⎞⎟
Gaussiana(x;σ ,c) = e ⎝ ⎠

0.0
0 50 100

1.0
Campana(x;a,b,c) = 1
2b
1+ x − c
0.5 ⎛
⎜
⎜
⎞
⎟
⎟
⎜ ⎟
⎜ ⎟
a ⎝ ⎠

0.0
0 50 100
Reglas de composición
Dados los conjuntos A y B, cuyas distribuciones de posibilidad son
conocidas se define la distribución de posibilidad de una
composición de ambas como μA*B(x) = F*(μA(x), μB(x))

Unión μA∪B(x) = F∪(μA(x), μB(x))

Intersección μA∩B(x) = F∩(μA(x), μB(x))
Complemento μ¬A(x) = F ¬(μA(x))

Normalmente las funciones μA∪B(x), μA∩B(x) y μ¬A(x) serán

dependientes de la semántica del conjunto. Sin embargo, se pueden
simplificar tales funciones suponiendo que dependen solamente de
las distribuciones de los conjuntos A y B por separado.
Normas y conormas Triangulares
Establecen modelo genéricos para las operaciones de unión e
intersección, las cuales deben cumplir ciertas propiedades básicas
(conmutativa, asociativa, monotonicidad y condiciones de frontera)
Norma Triangular (t-norma)
Conmutativa xty=ytx
Asociativa x t (y t z) = (x t y) t z
Monotonicidad Si x ≤ y y w ≤ z entonces x t w ≤ y t z
Condiciones de frontera x t 0 = 0 xt1=1
Conorma Triangular (s-norma)
Conmutativa xsy=ysx
Asociativa x s (y s z) = (x s y) s z
Monotonicidad Si x ≤ y y w ≤ z entonces x s w ≤ y s z
Condiciones de frontera x s 0 = x xs1=1
Operadores de Zadeh
Zadeh estableció como definición de las leyes de pertenencia a
los conjuntos intersección y unión, las cotas máximas y mínimas,
respectivamente de dichos conjuntos:

Unión μA∪B(x) = max(μA(x), μB(x)) s - norma

Intersección μA∩B(x) = min(μA(x), μB(x)) t - norma
Complemento μ¬A(x) = 1 - μA(x)

Unión Intersección Complemento

Ejemplos de otras t-normas
Producto xy
⎧x si y = 1
⎪
Producto Drástico ⎨ y si x = 1
⎪0 En otro caso
⎩
Producto Acotado max(0, (1 + p)(x + y −1) − pxy) p ≥ −1

Familia Yager 1 - min⎛

⎜1, p
(1 - x ) p
+ (1 − y ) p⎞
⎟ p≥0
⎝ ⎠

p ∈[0,1]
xy
Familia Dubois Prade
max(x, y,p)

( )(
⎛ px −1 p y −1 ⎞
Familia Frank logp ⎜1 +
)
⎟ p > 0, p ≠ 1
⎜ − ⎟
⎝ p 1 ⎠
Ejemplos de otras s-normas
Suma - Producto x + y − xy
⎧x si y = 0
⎪
Suma Drástica ⎨ y si x = 0
⎪1 En otro caso
⎩
Suma Acotada min(1, x + y + pxy) p ≥ 0

(
Familia Yager min1,p x p + y p ) p≥0
Familia Dubois Prade 1−
(1− x)(1− y) p ∈[0,1]
max(1- x,1- y,p)

( )(
⎛ p1-x −1 p1− y −1 ⎞
Familia Frank logp ⎜1+
)
⎟⎟ p > 0, p ≠ 1
⎜ p −1
⎝ ⎠
Características de las t-normas
Para cada t-norma existe una s-norma dual o conjugada
x s y = 1 – (1-x) t (1-y)
x t y = 1 – (1-x) s (1-y)

Las t-normas no satisfacen las siguientes

___
leyes
Contradicción A∩ A ≠ φ
___
Exclusión del medio A∪ A ≠ S

Propiedad de Idempotencia. Sólo se cumple para el

máximo y el mínimo
xtx=x xsx=x

Propiedad Distributiva. En general, no se cumple, excepto

para el máximo y el mínimo
Sistemas difuso tipo Mamdani

If X1 es A1 y … Xn es An Entonces Y es B

Antecedente Consecuente

Ventajas

‰ Pueden ser usadas en aplicaciones del mundo real, ya que

manejan con facilidad entradas y salidas reales

‰ Proporcionan un marco natural para la inclusión de

conocimiento experto en forma de las reglas lingüísticas

‰ Tienen gran libertad a la hora de elegir las interfaces de

fusificación y defusificación
Sistemas difuso tipo Mamdani
Limitaciones

‰ Falta de flexibilidad debido a la forma tan rígida en la que se

particionan los espacios de entrada y salida

‰ No existe una distribución clara entre el conocimiento

experto y la definición de las variables lingüísticas incluidas en
las reglas

‰ Cuando las variables de entrada al sistema dependen unas

de otras, es muy complicado obtener una partición adecuada
de los espacios de entrada

‰ El tamaño de la base de conocimiento depende

directamente del número de variables y términos lingüisticos
que existan en el sistema
Estructura del sistema
Regla 1
Entrada 1
Regla 2

Regla 3
∑ Salida

Entrada 2
Regla 4

‰ Fusificación de las variables de entrada.

‰ Aplicación del operador difuso (AND ó OR) en el antecedente
‰ Implicación del antecedente con el consequente.
‰ Agregación de los consecuentes a través de las reglas.
‰ Defusificación
Fusificación de las entradas
Para cada entrada existen diferentes conjuntos con variables lingüísticas.
Asumamos dos subconjuntos para las variables de entrada X e Y.
X = {BAJO, ALTO}
Y = {BAJO, ALTO}
Las variables de entrada X e Y, al igual que la variable de salida Z
pertenecen al mismo universo de discurso comprendido en el rango entre 0
y 10.Las funciones de membresía son:
BAJO(x) = 1 - ( x / 10 )
ALTO(x) = x / 10
1

Salida difusa = 0,5

10
Entrada no difusa = 5
Reglas del sistema
Regla 1: if X es BAJO and Y es BAJO then Z es ALTO
Regla 2: if X es BAJO and Y es ALTO then Z es BAJO
Regla 3: if X es ALTO and Y es BAJO then Z es BAJO
Regla 4: if X es ALTO and Y es ALTO then Z es ALTO

Otra manera de analizar las reglas es mediante una tabla

BAJO ALTO

BAJO ALTO BAJO

Y
ALTO BAJO ALTO
 El operador difuso
‰ Una vez que las entradas han sido fusificadas, conocemos el grado en
el cual cada parte del antecedente ha sido satisfecho para cada regla.
‰ Sí el antecedente de una regla dada tiene más de una parte, el
operador difuso es aplicado para obtener un número que represente el
resultado del antecedente para esa regla.
‰ Para la operación AND existen dos formas conocidas como min
(mínimo) y prod (producto algebraico).
min(μA(x), μB(x)) μA(x)*μB(x)
‰ Para la operación OR existen dos formas conocidas como max
(máximo) y sum (suma algebraica).
max(μA(x), μB(x)) μA(x) + μB(x) - μA(x)*μB(x)
‰ Además de estos métodos de construcción, uno puede crear su propio
método para AND y OR escribiendo cualquier función.
Método de implicación
Un consecuente es un conjunto difuso representado por una función de
membrecía

Regla 1: if X es BAJO and Y es BAJO then Z es ALTO

Hay dos métodos conocidos que son las mismas funciones usadas por
el método AND: min (mínimo), que trunca el conjunto difuso de salida, y
el PROD (producto), el cual escala al conjunto difuso de salida.

El grado de verdad de la premisa de cada regla es computada y

aplicada al consecuente de cada regla. Este resultado es un
subconjunto difuso que será asignado a cada variable de salida
correspondiente.

Método de inferencia MIN-MAX. Para cada regla hacemos el MIN

entre el nivel de disparo y la función de membrecía de la variable de
salida indicada en el consecuente.
Método de agregación
Agregación o composición es el proceso por el cual los conjuntos
difusos que representan las salidas de cada regla son combinadas
en un único conjunto difuso.
Los dos métodos más conocidos son max (máximo) y sum
(suma).
Lo más común cuando se utiliza la función min en el método de
implicación es corresponder con la función max en el método de
agregación.
De igual manera si se elige la función prod para el método de
implicación, es usual hacerlo corresponder con la función sum para
el método de agregación.
Defusificacion
La entrada para el proceso de defusificación es un conjunto difuso
(la salida de la etapa de agregación) y la salida es un simple
número concreto.
El método más popular de defusificación es el cálculo del centro de
gravedad ó centroide, el cual retorna el centro del área bajo la
curva.

∫ xg(x)dx
Forma continua f=
∫ g(x)dx
n

∑ x g( x )
i i
Forma discreta f= i =0
n

∑ g( x )
i =0
i
Sistemas difuso tipo Sugeno
If X1 es A1 y … Xn es An Entonces Y = p1*X1 + .. +pn*xn + p0

Ventajas

‰ Computacionalmente es mas eficiente

‰ Funciona bien con técnicas lineales, por ejemplo control PID,

técnicas de optimización y técnicas adaptativas

‰ Garantiza continuidad en la superficie de salida

‰ Es adecuado para el análisis matemático

Estructura del sistema
If Input 1 = x and Input 2 = y, then Output is z = ax + by + c

wi = AndMethod (F1 ( x ), F2 ( y ))

N
∑ wi z i
i =1
N
∑ wi
i =1

N
∑ wi z i
i =1