Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
s
(x)
x
S
: X -> {0,1}
S
(x) = 1 si x es un miembro de S
S
(x) = 0 si x no es un miembro de S
N
funcin
caracterstica
1
Introduccin a la Lgica Difusa
Funcin de pertenencia de x al set difuso F:
F
(x)
Ej:
F
(x) corresponde al grado de pertenecia de x a F
(nivel de fro medido en la variable x)
-40 -20 0 10 20 30
1
0
F
(x)
x (C
o
)
fro
mas o menos fro
No tan fro
Definitivamente
no fro
Introduccin a la Lgica Difusa
Reglas IF-THEN difusas:
Una regla IF-THEN difusa es de la forma
IF x is A THEN y is B
En la cual A y B son variables lingsticas definidas por
sets difusos en los universos X e Y.
La parte IF x is A es llamada el antecedente o premisa,
mientras la parte THEN y is B es llamada la
consecuencia o conclusin.
Introduccin a la Lgica Difusa
Ejemplo de lgica difusa en la robtica: HEXAPOD
En el robot hexapodo MKIII se utilizaron reglas
fuzzy para interpretar valores de sus sensores y
actuar para evitar obstculos [7]
En el caso de un hexapodo este siempre tiene
estabilidad dado que siempre mantiene tres pies en
el suelo en una configuracin estable
Introduccin a la Lgica Difusa
Ejemplo en la robtica: HEXAPOD (cont)
Se uso un sistema de reglas de
inferencia fuzzy para evitar obstculos
Variables lingsticas (y funciones de
membresa) usadas fueron:
A es el set fuzzy, x es el input o output,
es el centro y el ancho:
FIS:
Introduccin a la Lgica Difusa
Ejemplo en la robtica: HEXAPOD (cont)
Reglas fuzzy:
Introduccin a la Lgica Difusa
Ejemplo en la robtica: HEXAPOD (cont)
Resultados fueron que el robot lograra navegar sin chocar incluyendo
obstculos dinmicos
Pequeos ajustes a las reglas fueron necesarios para evitar que se
entrampara en mnimas locales con algunas combinaciones de inputs.
Se uso fuzzificacion con singletons y defuzzificacion con promedios de
centro (center average defuzzification)
y
i
es el centro de la funcin B
m
(para la regla m),
Am
(x
i
)
es el grado de
membresia de x
i
a la regla A
m
y M =27 es el numero de reglas.
Introduccin a la Lgica Difusa
Ejemplo en la robtica: HEXAPOD (cont)
Rutas:
Introduccin a las Redes Neuronales
Que son las redes neuronales artificiales (ANNs)?
Las ANNs son un paradigma para hacer cmputo y
para la deteccin de patrones basado en la
interconexin paralela de unidades denominadas
neuronas
La neurona artificial es un modelo basado en los
complejos sistemas nerviosos de los animales y
seres humanos con su gran cantidad de
interconexiones y paralelismo
Introduccin a las Redes Neuronales
Redes Neuronales
Este ejemplo de un multilayer
neural network es capaz de
resolver el problema del XOR
Los valores sobre las lneas
indican pesos y los en los crculos
indican umbrales (thresholds)
La funcin no lineal es un step
function con valores de 1 si el
umbral el excedido y de 0 si el
umbral no es excedido
1
1.5
0.5
x
1
x
2
1 1
1
y
X
1
X
2
Y
0 0 0
0 1 1
1 0 1
1 1 0
1
1 1
-2
1
1
1
) (
i i i
S f O=
0 0
1
0 0
) ( x w x w x w x w S
i
T
i
n
j
ij ij i
= =
=
i
n
j
ij ij
x w O >
=1
) (
Introduccin a las Redes Neuronales
Aprendizaje de las ANNs
El aprendizaje de las ANNs puede utilizar un entrenador
(teacher) o puede depender de la capacidad de auto-
organizarse (e.g SOM) y generalizar basado en conjuntos
limitados de informacin
x
i1
x
in
w
i1
w
in
f
O
i
Bias
Teacher
Algoritmo de
Aprendizaje
Calculo de
Error
T
i
S
i
E
i
x
i1
x
in
Neurona
Introduccin a los Algoritmos Genticos
Que es un algoritmo gentico (GA)?
Los algoritmos genticos (GA) son algoritmos de
bsqueda y optimizacin basados en los mecanismos
de seleccin natural y gentica.
Los GA usan los siguientes mecanismos:
la sobrevivencia de los organismos con mejor
capacidad dentro de una poblacin
uso de secuencias de caracteres (generalmente 1s y
0s) en strings como representacin del ADN de estos
organismos (codificacin)
el uso de mtodos aleatorios (random) para la
generacin de la poblacin y para su reproduccin
Introduccin a los Algoritmos Genticos
Poblacin
generacin = n
Mecanismo aleatorio
de reproduccin
Poblacin
generacin = n+1
Introduccin a los Algoritmos Geneticos
Los GA utilizan lo siguiente:
Esquema de codificacin de la informacin de los
miembros en strings (ADN de 1s y 0s)
Evaluacin de capacidad (fitness) de cada miembro
Seleccin aleatoria de los miembros que se van a
reproducir
Cruce (crossover) de la informacin de los miembros
de la poblacin
Mutacin de la informacin de los miembros de la
poblacin
Introduccin a los sistemas inteligentes
Ejemplos de tareas tpicas:
Diagnosis medico
Aplicaciones de tarjetas de crdito o transacciones / detectar
fraude en e-commerce
Detectar spam, viruses y troyanos en email
Personalizar noticias o sistemas web o educacin
Recomendar inversiones financieras
Reconocer palabras habladas
Discriminar huellas digitales
Catalogar imgenes astronmicas
Resolver problemas de calculo
Jugar damas, ajedrez
Pndulo invertido
Manejar un vehculo
Volar un avin o un cohete
Controlar un ascensor o un sistema de frenos u otro sistema
Controlar un agente inteligente en un juego o una aplicacin
Controlar un robot
Introduccin a Soft Computing
Referencias:
[1] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control, Wiley
Interscience, NY, 1994
[2] Kartalopoulos, S., Understanding Neural Networks and Fuzzy Logic,
IEEE PRESS, NY, 1994
[3] www.seattlerobotics.org
[4] Mitchel, T., Machine Learning , McGraw Hill, 1997
[5] Karray, F., De Silva, C., Soft Computing and Intelligent Systems
Design, Addison Wesley, 2004
[6] Jang, J., Sun, C., Mizutani, E., Neuro-Fuzzy and Soft Computing,
Prentice Hall, 1997
[7] Kern, M., Woo, P., Implementation of a hexapod mobile robot with a
fuzzy controller, Robotica, v23, p. 681-688, 2005.
[8] Arredondo, T., Freund,W., Muoz, C., Navarro, N., and Quirs, F.:
"Fuzzy Motivations for Evolutionary Behavior Learning by a Mobile
Robot". LNAI, Vol. 4031. Springer, Berlin (2006) p. 462-471