Sei sulla pagina 1di 25

SISTEMA DE INFERENCIA DIFUSA DE MAMDANI

MARIBEL JOHANA RODRIGUEZ CASTILLO CODIGO : 514020

SISTEMAS BASADOS EN EL CONOCIMIENTO II PROFESOR: PERVYS RENGIFO RENGIFO

FUNDACION UNIVERSITARIA KONRAD LORENZ Cra 9 bis No. 62-43 Bogot- Colombia, http://www.fukl.edu 2005 OBJETIVOS

1. Conocer la estructura bsica y funcionamiento de un Sistema Basado en Reglas Difusas. 2. Clasificar los sistemas basados en reglas difusas en base a su estructura y a la estructura de regla difusa utilizada. 3. Conocer ventajas e inconvenientes del Sistema de Inferencia Difusa Mamdani 4. Conocer distintas opciones de diseo para la interfaz de fuzzificacin. 5. Plantear un problema para luego implementarlo con el modelo de Mamdani.

QU ES LA LGICA DIFUSA? La lgica difusa es una metodologa que proporciona una manera simple y elegante de obtener una conclusin a partir de informacin de entrada vaga, ambigua, imprecisa, con ruido o incompleta. En general la lgica difusa imita como una persona toma decisiones basada en informacin con las caractersticas mencionadas. Una de las ventajas de la lgica difusa es la posibilidad de implementar sistemas basados en ella tanto en hardware como en software o en combinacin de ambos. La lgica difusa es una tcnica de la inteligencia computacional que permite trabajar con informacin con alto grado de imprecisin, en esto se diferencia de la lgica convencional que trabaja con informacin bien definida y precisa. Es una lgica multivaluada que permite valores intermedios para poder definir evaluaciones entre si/no, verdadero/falso, negro/blanco, caliente/fro, etc. El concepto de Lgica Difusa fue concebido por Lofti A. Zaded, profesor de la Universidad de California en Berkeley, quin inconforme con los conjuntos clsicos (crisp sets) que slo permiten dos opciones, la pertenencia o no de un elemento a dicho conjunto, la present como una forma de procesar informacin permitiendo pertenencias parciales a unos conjuntos, que en contraposicin a los clsicos los denomin Conjuntos Difusos (fuzzy sets). El concepto de conjunto difuso fue expuesto por Zadeh en un paper del ao 1965, hoy clsico en la literatura de la lgica difusa, titulado "Fuzzy Sets" y que fue publicado en la revista Information and Control. El mismo Zadeh publica en 1971 el artculo, "Quantitative Fuzzy Semantics", en donde introduce los elementos formales que acabaran componiendo el cuerpo de la doctrina de la lgica difusa y sus aplicaciones tal como se conocen en la actualidad. Zadeh dice: "La lgica difusa trata de copiar la forma en que los humanos toman decisiones. Lo curioso es que, aunque baraja informacin imprecisa, esta lgica es en cierto modo muy precisa: se puede aparcar un coche en muy poco espacio sin darle al de atrs. Suena a paradoja, pero es as."

El profesor Zadeh menciona que la gente no requiere informacin numrica precisa del medio que le rodea para desarrollar tareas de control altamente adaptables, por ejemplo conducir un automvil o caminar por una acera sin chocarse con los postes y las otras personas. Si los controladores convencionales, en esencia realimentados, se pudieran programar para aceptar entradas con ruido e imprecisas ellos podran trabajar de una manera mas eficiente y quizs se podran implementar mas fcilmente.

CONJUNTOS DIFUSOS El concepto clave para entender como trabaja la lgica difusa es el de conjunto difuso, se puede definir un conjunto difuso de la siguiente manera. Teniendo un posible rango de valores al cual llamaremos U, por ejemplo U=Rn, donde Rn es un espacio de n dimensiones, a U se le denominara Universo de Discurso. En U se tendr un conjunto difuso de valores llamado F el cual es caracterizado por una funcin de pertenencia uf tal que uf:U->[0, 1], donde uf(u) representa el grado de pertenencia de un u que pertenece a U en el conjunto difuso F.

ESTRUCTURA BSICA DE UN SISTEMA BASADO EN REGLAS DIFUSAS Un Sistema Basado en Reglas Difusas (SBRD) est formado por: Base de conocimiento Base de Reglas. Base de Datos. Motor de inferencia Adems en sistemas con entradas y/o salidas ntidas, se incluye un interfaz de fuzzificacin y un interfaz de defuzzificacin

En explicacin a las grficas anteriores tenemos:

ARQUITECTURA DETALLADA.

El interfaz de fuzzificacin Para cada una de las entradas del sistema: 1. Adquirir los valores ntidos de las variables de entrada. 2. Trasladar los valores de las variables a los universos de discurso correspondientes. 3. En funcin del tipo de sistema difuso: Convertir cada valor ntido en un conjunto difuso con grado de pertenencia igual a 1 para ese valor y 0 para el resto (fuzzy singleton) o hacer corresponder a cada valor ntido el trmino lingstico ms adecuado, o calcular el grado de pertenencia a cada uno de los conjuntos difusos utilizados para dicha variable lingstica.

El interfaz de fuzzificacin Algunas posibilidades: El valor ntido se convierte en un conjunto difuso tipo singleton. Es la opcin ms sencilla y la ms utilizada. Adecuado cuando la medicin de las variables de estado es fiable.

Se genera un conjunto difuso con centro el valor ntido y un soporte acorde con la incertidumbre de la medicin.

La Base de Conocimiento Est formada por la Base de Reglas y la Base de Datos. Parmetros de diseo implicados: Eleccin de las variables de estado del proceso y de control del mismo. Eleccin del conjunto de trminos lingsticos para las variables de estado y de control. Eleccin de la estructura del antecedente y consecuente de las reglas. Derivacin del conjunto de reglas.

Formas de obtencin de la base de conocimiento: 1. A travs de experiencia experta, conocimiento de ingeniera de control o acciones de un operador de control experimentado. Experto capaz de describir de forma lingstica sus reglas de decisin (factores de escala, semntica de los conjuntos difusos, operadores implicados, etc.). A partir de un cuestionario realizado al experto. Informacin extrada a partir de la observacin de las acciones de control de un operador. 2. Obtencin basada en un modelo difuso. 3. Obtencin basada en aprendizaje automtico (mtodos ad hoc, computacin evolutiva, redes neuronales , clustering, etc. ).

Base de Datos Proporciona la informacin necesaria para el funcionamiento del mdulo de fuzzificacin, de defuzzificacin y de la Base de Reglas.

TIPOS DE SISTEMAS BASADOS EN REGLAS DIFUSAS En funcin del tipo de regla difusa que utilicen se puede distinguir: SBRDs tipo Mamdani SI X1 es Alto y X2 es Bajo ENTONCES Y es Alto SBRDs tipo TSK (Takagi, Sugeno y Kang) SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2) No necesitan interfaz de defuzzificacin El motor de inferencia funciona de distinta forma

VENTAJAS Y DESVENTAJAS SBRD TIPO MADANI Ventajas: Facilidad para la derivacin de reglas Interpretabilidad de las reglas difusas Fueron propuestos antes y se han utilizado con ms frecuencia Desventajas: .No garantizan la continuidad de la superficie de salida .Menor eficiencia computacional

PRACTICA 1 MAMDANI APLICADA A LA ALTURA DE LAS PERSONAS

Supongamos que se desea representar con conjuntos difusos la variable altura de una persona, en este caso el universo de discurso ser el rango de posibles valores de la altura que tenga un persona adulta, se escoger un rango entre 140cm y 200cm, valores por fuera de este rango son posibles pero son muy escasos.

El universo de discurso U = [140, 200], para denominar los conjuntos difusos se suelen trabajar con etiquetas lingsticas similares a las que se usan de manera coloquial, por ejemplo en la vida diaria decimos que una persona es Muy Baja (MB), Baja (B), Mediana (M), Alta (Alta) y Muy Alta (MA).

ETIQUETA MB B M MA A

RANGO(MIN, MAX) 140 - 160 160 - 170 170 - 180 180 - 190 190 - 200

Si en el ejemplo anterior se desea trabajar con conjuntos clsicos (crisp) se tienen tres opciones: alguien Alto (A), Medio (A) Bajo (B). Se supondr que alguien Alto si mide mas de 170cm en caso contrario es bajo

Regla 1: Si X es bajo entonces Y es alto Regla 2: Si X es medio entonces Y es medio


Entra da Difus a Salida Difus a En V

Fuzzifica
X En

Mecanism o de Inferencia

Defuzzifica
Y En

Sistema Difuso Mamdani, Procesamiento General En un sistema difuso tipo Mamdani se distinguen las siguientes partes: * Fuzzificador La entrada de un sistema de lgica difusa tipo Mamdani normalmente es un valor numrico proveniente, por ejemplo, de un sensor; para que este valor pueda ser procesado por el sistema difuso se hace necesario convertirlo a un "lenguaje" que el mecanismo de inferencia pueda procesar. Esta es la funcin del fuzzificador, que toma los valores numricos provenientes del exterior y los convierte en valores "difusos" que pueden ser procesados por el mecanismo de inferencia. Estos valores difusos son los niveles de pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha dividido el universo de discurso de las diferentes variables de entrada al sistema. * Mecanismo de inferencia difusa Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los mismos deben ser procesados para generar una salida difusa. La tarea del sistema de inferencia es tomar los niveles de pertenencia y apoyado en la base de reglas generar la salida del sistema difuso. * Base de Reglas Difusas La base de reglas es la manera que tiene el sistema difuso de guardar el conocimiento lingstico que le permiten resolver el problema para el cual ha sido diseado. Estas reglas son del tipo IF-THEN. Una regla de la base de reglas o base de conocimiento tiene dos partes, el antecedente y la conclusin como se observa en la siguiente figura:

Al transcribirlo en Matlab obtenemos: COMPILACION EN MATLAB Inicialmente ingresamos al modelo difuso en matlab mediante la funcin fuzzy : Fuzzy Modeling: Procedimiento, o conjunto de pasos a seguir para modelar un sistema difuso que modele el comportamiento de un sistema real. Mediante el modelado difuso, haciendo uso de las reglas difusas podemos incorporar conocimiento experto al sistema de manera sencilla, y podemos usar tcnicas convencionales para el aprendizaje de las reglas.

Ingresamos al modelo de MAMDANI

Fusificamos la variable ALTURA:

As mismo fusificamos la salida:

Ingresamos las reglas del modelo

REGLAS DEL MODELO


SI X X X X X X MUY_BAJO BAJO MEDIO ALTO MUY_ALTO ENTONCE S Entonces Entonces Entonces Entonces Entonces Y ALTO ALTO MEDIO BAJO BAJO

Podemos ver el comportamiento de las reglas (5 entradas y 3 salidas):

Hace la suma de todas y calcula el centro geometrico en este caso 170

Sucede exactamente lo que detallamos mediante las reglas.

PRACTICA 2 MAMDANI PARA EL CONTROLADOR DIFUSO DE UNA ASPIRADORA Objetivo: Regular la fuerza de aspiracin Variables de entrada Cantidad de suciedad 1-100: muy sucio sucio
CANTIDAD DE SUCIEDAD

Limpio Casi Limpio

Algo Sucio

Sucio

Muy Sucio

15

30

45

60

75

100

algo sucio casi limpio limpio

TIPO DE SUPERFICIE

Tipo de superficie 1-100: madera caucho alfombra

Madera Caucho Alfombra

25

50

75

100

Variable de control
VARIABLE DE CONTROL FUERZA

Fuerza: muy fuerte fuerte normal dbil muy dbil

Muy Debil

Debil

Normal

S Fuerte

Muy Fuerte

15

30

45

60

75

100

REGLAS DEL MODELO

SI SI SI SI SI SI SI SI SI SI SI SI SI SI SI SI

CATIDAD DE SUCIEDAD LIMPIO LIMPIO LIMPIO CASI LIMPIO CASI LIMPIO CASI LIMPIO ALGO SUCIO ALGO SUCIO ALGO SUCIO SUCIO SUCIO SUCIO MUY SUCIO MUY SUCIO MUY SUCIO

Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y

TIPO DE SUPERFICI E MADERA CAUCHO ALFOMBRA MADERA CAUCHO ALFOMBRA MADERA CAUCHO ALFOMBRA MADERA CAUCHO ALFOMBRA MADERA CAUCHO ALFOMBRA

ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES ENTONCES

TIEMPO DE LAVADO MUY DEBIL MUY DEBIL DEBIL MUY DEBIL DEBIL NORMAL DEBIL NORMAL NORMAL NORMAL FUERTE FUERTE FUERTE MUY FUERTE MUY FUERTE

Fusificamos las variables:

Insertamos las reglas a Matlab:

Esta la vista de reglas insertadas:

Hace la suma de todas y calcula el centro geomtrico en este caso 50

Ingresamos 30 entradas y obtenemos 15 respuestas. As mismo si yo le cambiase como en este caso las entradas [70(cantidad suciedad) 25(tipo de superficie)] las grficas me muestran los nuevos resultados.

Superfice de interpolacin del sistema.

CONCLUSIONES

El documento presenta de manera muy detallada el proceso de modelado difuso Mamdani en Matlab, se mencionan en el orden correcto las tareas a realizar para modelar un sistema difuso. Con la elaboracin de este trabajo se logr el objetivo de entender con ms precisin el funcionamiento del Modelo Difuso Mamdani. Los sistemas borrosos son estables y fcilmente ajustables y pueden ser validados. Es ms rpido y ms fcil crear sistemas borrosos y construir un sistema borroso que l debe crear sistemas basados en el conocimiento convencionales, puesto que la lgica confusa maneja todos los grados de libertad que intervienen. Los sistemas borrosos no son Redes Neuronales. Un sistema borroso procura encontrar la interseccin, la unin o el complemento de las variables borrosas del control. Mientras que esto es algo anlogo a las redes neuronales y a la programacin lineal, los sistemas borrosos se acercan a estos problemas de forma diferente.

BIBLIOGRAFA Este trabajo esta basado en informacin de las siguientes pginas.


www.it.uc3m.es/jvillena/irc/estudios/Logica_Difusa.pdf -

http://www.cienciasmisticas.com.ar/electronica/teoria/fuzzy/index.php http://wwwdi.ujaen.es/asignaturas/cl/tema3_cl.pdf

Potrebbero piacerti anche