Logica Difusa

TEORIA DE CONTROL DIFUSO
EQUIPO #2 IM 708-C
Pgina 1
EQUIPO #2 IM 708-C
Pgina 2

INDICE
INTRODUCCIN................................................................................................... 3
4.1 INTRODUCCIN A LA LGICA DIFUSA..............................................................4
BREVE HISTORIA.............................................................................................. 4
INTRODUCCIN A LA LGICA DIFUSA................................................................6
FUNCIONAMIENTO............................................................................................ 8
LGICA DIFUSA COMPENSATORIA (LDC).........................................................11
MODELIZACIN DE LA VANGUEDAD EN LA LGICA DIFUSA COMPENSATORIA. 12
CONCEPTOS Y OPERACIONES CON LOS QUE TRABAJA LA LGICA BORROSA O
DIFUSA........................................................................................................... 14
4.2 APLICACIONES............................................................................................. 16
APLICACIONES GENERALES...........................................................................16
LGICA DIFUSA EN INTELIGNCIA ARTIFICIAL...................................................17
VENTAJAS E INCONVENIENTES.......................................................................18
4.3 RAZONAMIENTO APROXIMADO.....................................................................19
REGLAS DIFUSAS........................................................................................... 19
4.4 CONTROL DIFUSO Y ESTRUCTURA DE CONTROL..........................................21
CONTROL DIFUSO.......................................................................................... 21
FUZZIFICACIN............................................................................................... 23
BASE DEL CONOCIMIENTO.............................................................................. 24
EVALUACIN DE LAS REGLAS Y TOMA DE DECISIN.......................................24
INTERFERENCIA.......................................................................................... 25
IMPLICACIN DIFUSA................................................................................... 26
COMPOSICIN DE RELACIONES DIFUSAS....................................................28
AGRECACIN.............................................................................................. 29
DEFUZZIFICACIN.......................................................................................... 31
CONCLUSIN..................................................................................................... 33
BIBLIOGRAFA.................................................................................................... 34
EQUIPO #2 IM 708-C
Pgina 3
INTRODUCCIN
En este documento se presenta una introduccin a la teora y aplicacin de

lgica difusa en sistemas de control. En particular, se introduce un leve cambio a
la configuracin tradicional de un lazo de control difuso, que permite realizar un
ajuste fino o medida correctiva a un controlador ya diseado, en forma intuitiva y
relacionada con el control clsico.
EQUIPO #2 IM 708-C
Pgina 4
4.1 INTRODUCCIN A LA LGICA DIFUSA
BREVE HISTORIA
La idea de la lgica difusa o borrosa no es nueva, aunque bajo el nombre
de lgica difusa fuese introducida sobre 1965, sus orgenes se remontan hasta
2,500 aos. Ya Aristteles consideraba que existan ciertos grados de veracidad y
falsedad y Platn haba trabajado con grados de pertenencia.
En el siglo XVIII George Berkeley y David Hume describieron que el ncleo
de un concepto atrae conceptos similares. Hume crea en la lgica del sentido
comn, en el razonamiento basado en el conocimiento que la gente adquiere de
una forma ordinaria gracias a sus vivencias en el mundo.
Immanuel Kant pensaba que nicamente los matemticos podan proveer
definiciones claras y que por lo tanto, muchos principios contradictorios no tenan
solucin.
Por
mismo tiempo no
ejemplo
poda
la materia poda
ser
dividida
ser
dividida
infinitamente
infinitamente.
La
al
corriente
del pragmatismo fundada a principios de siglo por Charles Sanders Peirce, fue la
primera en considerar ''vaguedades'', ms que falso o verdadero, como forma de
acercamiento al mundo y al razonamiento humano.
La idea de que la lgica produce contradicciones fue popularizada por el
filsofo y matemtico britnico Bertrand Russell, a principios del siglo XX. Russell
estudi las vaguedades del lenguaje y lleg a la conclusin que la vaguedad es un
grado. Ludwig Wittgenstein, filsofo austriaco, estudi las diferentes acepciones
de una misma palabra. En el lenguaje corriente ocurre muy a menudo que la
misma palabra designe de modo y manera diferentes, porque pertenece a
diferentes smbolos, o que dos palabras que designan de modo y manera
diferentes se usen aparentemente del mismo modo en una proposicin.
EQUIPO #2 IM 708-C
Pgina 5

La primera lgica de vaguedades fue desarrollada en 1920 por el filsofo
Jan Lukasiewicz, visualiz los conjuntos con un posible grado de pertenencia
con valores de 0 y 1, despus los extendi a un nmero infinito de valores entre 0
y 1. El trmino borroso aplicado a la lgica y a la teora de conjuntos
y sistemas procede de la expresin fuzzy sets (conjuntos borrosos) acuada por
Lofti A. Zadeh, brillante ingeniero elctrico iran nacionalizado en Estados
Unidos, profesor en las ms prestigiosas universidades norteamericanas, doctor
honoris causa de varias instituciones acadmicas.
Sus tesis entroncan, como podemos observar, con la obra de pensadores
de distintas disciplinas que tenan una visin similar de los problemas y alejada de
la lgica tradicional. La paradoja del conjunto de Bertrand Russell, el principio de
incertidumbre de la fsica cuntica de Werner Heisenberg, la teora de los
conjuntos vagos de Max Black, otro filsofo cuntico, sin olvidar la fundamental
aportacin del polaco Jan Lukasiewicz, creador de la lgica multivaluada,
influyeron para que, entrada ya la segunda mitad del presente siglo, Zadeh
publicase su famoso ensayo "Fuzzy Sets", en "Informations and Control".
Mientras que Russell y Black utilizaron el trmino vagueness (vaguedad,
vago) para referirse a la nueva lgica o a para calificar a los conjuntos en la
teorizacin sobre los mismos, Zadeh prefiri el trmino fuzzy (borroso, difuminado)
para denominar a sus conjuntos y a la lgica en la que se apoya su anlisis.
A partir de la publicacin, en 1973, de la teora bsica de los controladores
borrosos de Zadeh, otros investigadores comenzaron a aplicar la lgica borrosa a
diversos procesos, como por ejemplo, al control de procesos en un sistema de
control de vapor. Tambin podemos resaltar la aplicacin, en 1980, de esta tcnica
al control de hornos rotativos en una cementera.
Uno de los pases donde ms xito ha tenido los sistemas borrosos ha sido
en Japn. Empresas como Fuji Elec. & TIT han desarrollado aplicaciones de
control fuzzy para el proceso de purificacin del agua, Hitachi con una aplicacin
EQUIPO #2 IM 708-C
Pgina 6

de control fuzzy para el Metro en Sendai City o Matsushita con una aplicacin de
control fuzzy para la unidad de suministro de agua caliente para uso domstico.
Merece una mencin especial la creacin de LIFE (Laboratory for
International Fuzzy Engineering Research) en marzo de 1989, creado por el
Ministerio de Comercio Internacional e Industria en Japn (MITI). El capital de
LIFE es al 50% de compaas privadas japonesas y del propio Ministerio, y su
presidente es miembro del Instituto de Tecnologa de Tokio (TIT). En su sede
trabajan en la actualidad alrededor de 30 investigadores a tiempo completo.
Pero tambin en USA las empresas han comenzado a aplicar la lgica
borrosa a sus desarrollos y proyectos. Entre otras encontramos a la NASA,
Boeing, Rochwell, Bell o a Ford Motor Co., que experimenta con un sistema de
aparcamiento automtico para camiones con remolque.
INTRODUCCIN A LA LGICA DIFUSA

Debido a la variedad de sus aplicaciones la lgica difusa (llamada tambin
Lgica Borrosa) o Fuzzy Logic parece estar introducida en todos los sectores;
control de complejos procesos industriales, diseo de dispositivos artificiales
de deduccin automtica, construccin de
artefactos
electrnicos
de
uso
domstico y de entretenimiento, sistemas de diagnstico, entre otros. Este hecho

se hace cada da ms evidente si se observa el gran nmero de patentes
industriales de mecanismos basados en la lgica difusa expedidas desde hace,
por lo menos, una dcada y media. En los ltimos aos se han investigado y
desarrollado diversas tecnologas relacionadas con funciones y caractersticas
humanas de campos cercanos al psicolgico (inteligencia artificial) y a los
procesos
biolgicos
y programacin evolutiva).
(redes
Estas
tecnologas
neuronales, algoritmos genticos

conocidas
como
"tecnologas
inteligentes" representan el conocimiento de una forma a la vez entendible por los

humanos y manejable por los sistemas informticos.
EQUIPO #2 IM 708-C
Pgina 7

La lgica difusa es el elemento de desarrollo de dichas tecnologas. Se
podra considerar como un lenguaje que permite trasladar sentencias sofisticadas
del lenguaje natural a un formalismo matemtico. El conocimiento se adquiere y se
trabaja con l, de una manera inferencial y deductiva, por medio de un
razonamiento simblico. Obtenindose, para la resolucin de un problema, un
conjunto de hechos inciertos denominados conjuntos difusos y a sus reglas lgica
difusa.
En los aos 60, en la Universidad de California en Berkeley, Lotfi A. Zadeh
introdujo el concepto de la lgica difusa guiado por el principio de que
las matemticas pueden
ser
usadas
para
encadenar
el
lenguaje
con
la inteligencia humana. Algunos conceptos pueden ser mejor definidos en trminos

de palabras, que por matemticas; la lgica difusa y su expresin en conjuntos
difusos, proveen una disciplina que puede construir mejores modelos de la
realidad.
La lgica difusa, o ms bien, las lgicas difusas, pues habra que hablar de
ellas en plural, son bsicamente lgicas multivaluadas que amplifican los
enunciados de las lgicas clsicas. Las clsicas imponen a sus enunciados
nicamente los valores falso o verdadero y de esta manera han modelado
satisfactoriamente
una
gran
parte
del
razonamiento
"natural".
Pero
el
razonamiento humano utiliza valores de verdad que no tienen porque ser

necesariamente "tan deterministas". Por medio de la lgica difusa pueden
formularse matemticamente nociones como "un poco caliente" o "muy fro", de
forma que sean procesadas por computadoras y cuantificar expresiones humanas
vagas, tales como "muy alto" o "luz brillante". Pudindose, de esta forma, o ms
bien, intentndose aplicar la forma de pensar del ser humano a la programacin
de computadores,sensores, chips, etc. Esta lgica permite cuantificar las
descripciones imprecisas que se usan en el lenguaje y las transiciones graduales
en los electrodomsticos como "ir de agua sucia" a "agua limpia" en una lavadora,
pudindose as ajustar los ciclos de lavado a travs de sensores. La habilidad de
la lgica difusa para procesar valores parciales de verdad ha sido de gran ayuda
EQUIPO #2 IM 708-C
Pgina 8

para la ingeniera. En conclusin, las lgicas difusas crean aproximaciones
matemticas en la resolucin de ciertos tipos de problemas, produciendo
resultados exactos a partir de datos imprecisos, siendo por ello, especialmente
tiles en aplicaciones de tipo electrnico e informtico. La aplicacin del adjetivo
"difusa" o "borrosa" es debida a que los valores de verdad no-deterministas
utilizados en las lgicas difusas tienen mayoritariamente una connotacin de
incertidumbre. Por lo que se equipara la incertidumbre con la difusidad, es decir,
con la propiedad de indeterminismo. Un elemento, por lo tanto, puede estar lleno
de incertidumbre, es decir, de difusidad. Eso no quiere decir que los valores de
verdad asumidos por enunciados no deterministas, sean desconocidos. De hecho,
lo difuso puede entenderse como la posibilidad de asignar ms valores de verdad
a los enunciados que "falso" o "verdadero" e incluso en determinadas reas de
conocimiento, estos enunciados van asociados a valores de verdad que son
grados de veracidad o falsedad.
Resumiendo, las lgicas difusas son tipos especiales de lgicas
multivaluadas que pueden llegar a redefinir los grados de veracidad de los
enunciados de salida conforme se refinan los de los de entrada, por lo que
algunos sistemas de lgica difusa aparentan una labor de aprendizaje, y son
excelentes mecanismos de control de procesos. La inteligencia artificial,
fundamentada en el concepto "Todo es cuestin de grado", es donde podemos
encuadrar desde un punto de vista tecnolgico a las lgicas borrosas.
FUNCIONAMIENTO
La lgica difusa (fuzzy logic, en ingls) se adapta mejor al mundo real en el
que vivimos, e incluso puede comprender y funcionar con nuestras expresiones,
del tipo hace mucho calor, no es muy alto, el ritmo del corazn est un poco
acelerado, etc.
EQUIPO #2 IM 708-C
Pgina 9

La clave de esta adaptacin al lenguaje se basa en comprender
los cuantificadores de cualidad para nuestras inferencias (en los ejemplos de
arriba, mucho, muy y un poco).
En la teora de conjuntos difusos se definen tambin las operaciones
de unin, interseccin, diferencia, negacin o complemento, y otras operaciones
sobre conjuntos (ver tambin subconjunto difuso), en los que se basa esta lgica.
Para cada conjunto difuso, existe asociada una funcin de pertenencia para
sus elementos, que indica en qu medida el elemento forma parte de ese conjunto
difuso. Las formas de las funciones de pertenencia ms tpicas son trapezoidales,
lineales y curvas.
Se basa en reglas heursticas de la forma SI (antecedente) ENTONCES
(consecuente), donde el antecedente y el consecuente son tambin conjuntos
difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de
regla heurstica para esta lgica (ntese la importancia de las palabras
muchsimo, drsticamente, un poco y levemente para la lgica difusa):
SI hace muchsimo fro. ENTONCES aumento drsticamente
la temperatura.
SI voy a llegar un poco tarde. ENTONCES aumento levemente la
velocidad.
Los mtodos de inferencia para esta base de reglas deben ser sencillos,
verstiles y eficientes. Los resultados de dichos mtodos son un rea final, fruto
de un conjunto de reas solapadas entre s (cada rea es resultado de una regla
de inferencia). Para escoger una salida concreta a partir de tanta premisa difusa,
el mtodo ms usado es el delcentroide, en el que la salida final ser el centro de
gravedad del rea total resultante.
Las reglas de las que dispone el motor de inferencia de un sistema difuso
pueden ser formuladas por expertos o bien aprendidas por el propio sistema,
EQUIPO #2 IM 708-C
Pgina 10

haciendo uso en este caso de redes neuronales para fortalecer las futuras tomas
de decisiones.
Los datos de entrada suelen ser recogidos por sensores que miden las
variables de entrada de un sistema. El motor de inferencias se basa en chips
difusos, que estn aumentando exponencialmente su capacidad de procesamiento
de reglas ao a ao.
Un esquema de funcionamiento tpico para un sistema difuso podra ser de
la siguiente manera:
Funcionamiento de un sistema de control difuso.

En la figura, el sistema de control hace los clculos con base en sus reglas
heursticas, comentadas anteriormente. La salida final actuara sobre el entorno
fsico, y los valores sobre el entorno fsico de las nuevas entradas (modificado por
la salida del sistema de control) seran tomados por sensores del sistema.
Por ejemplo, imaginando que nuestro sistema difuso fuese el climatizador
de un coche que se autorregula segn las necesidades: Los chips difusos del
climatizador recogen los datos de entrada, que en este caso bien podran ser la
temperatura y humedad simplemente. Estos datos se someten a las reglas del
motor de inferencia (como se ha comentado antes, de la forma SI...
ENTONCES...), resultando un rea de resultados. De esa rea se escoger el
centro de gravedad, proporcionndola como salida. Dependiendo del resultado, el
EQUIPO #2 IM 708-C
Pgina 11

climatizador podra aumentar la temperatura o disminuirla dependiendo del grado
de la salida.
LGICA DIFUSA COMPENSATORIA (LDC)

La LDC es un modelo lgico multivalente que permite la modelacin
simultnea de los procesos deductivos y de toma de decisiones. El uso de la LDC
en los modelos matemticos permite utilizar conceptos relativos a la realidad
siguiendo patrones de comportamiento similares al pensamiento humano. Las
caractersticas ms importantes de estos modelos son: La flexibilidad, la tolerancia
con la imprecisin, la capacidad para moldear problemas no lineales y su
fundamento en el lenguaje de sentido comn. Bajo este fundamento se estudia
especficamente cmo acondicionar el modelo sin condicionar la realidad.
La LDC utiliza la escala de la LD, la cual puede variar de 0 a 1 para medir el
grado de verdad o falsedad de sus proposiciones, donde las proposiciones pueden
expresarse mediante predicados. Un predicado es una funcin del universo X en
el intervalo [0, 1], y las operaciones de conjuncin, disyuncin, negacin e
implicacin, se definen de modo que restringidas al dominio [0, 1] se obtenga la
Lgica Booleana.
Las distintas formas de definir las operaciones y sus propiedades
determinan diferentes lgicas multivalentes que son parte del paradigma de la LD.
Las lgicas multivalentes se definen en general como aqullas que permiten
valores intermedios entre la verdad absoluta y la falsedad total de una expresin.
Entonces el 0 y el 1 estn asociados ambos a la certidumbre y la exactitud de lo
que se afirma o se niega y el 0,5 a la vaguedad y la incertidumbre mximas. En los
procesos que requieren toma de decisiones, el intercambio con los expertos lleva
a obtener formulaciones complejas y sutiles que requieren de predicados
compuestos. Los valores de verdad obtenidos sobre estos predicados compuestos
EQUIPO #2 IM 708-C
Pgina 12

deben poseer sensibilidad a los cambios de los valores de verdad de los
predicados bsicos.
Esta necesidad se satisface con el uso de la LDC, que renuncia al
cumplimiento de las propiedades clsicas de la conjuncin y la disyuncin,
contraponiendo a stas la idea de que el aumento o disminucin del valor de
verdad de la conjuncin o la disyuncin provocadas por el cambio del valor de
verdad de una de sus componentes, puede ser compensado con la
correspondiente disminucin o aumento de la otra. Estas propiedades hacen
posible de manera natural el trabajo de traduccin del lenguaje natural al de la
Lgica, incluidos los predicados extensos si stos surgen del proceso de
modelacin.
MODELIZACIN DE LA VANGUEDAD EN LA LGICA DIFUSA

COMPENSATORIA
En la LDC la modelizacin de la vaguedad se logra a travs de variables
lingsticas, lo que permite aprovechar el conocimiento de los expertos, al
contrario de lo que ocurre en otros mtodos ms cercanos a las cajas negras y
exclusivamente basados en datos, como por ejemplo las redes neuronales.
Existen autores como Jess Cejas Montero en su Artculo La Lgica Difusa
Compensatoria publicado en el 2011 por la Revista Ingeniera Industrial del
Instituto Superior Politcnico Jos Antonio Echeverra, que marc un hito en la
difusin de la LDC, que recomiendan el uso de funciones de pertenencia
sigmoidales para funciones crecientes o decrecientes. Los parmetros de estas
funciones quedan determinados fijando dos valores. El primero de ellos es el valor
a partir del cual se considera que la afirmacin contenida en el predicado es ms
cierta que falsa, por ejemplo pudiera establecerse a partir de 0.5. El segundo es el
valor para el cual el dato hace casi inaceptable la afirmacin correspondiente, por
ejemplo pudiera establecerse a partir de 0.1.
EQUIPO #2 IM 708-C
Pgina 13

En la actualidad existe un Sistema de Soporte a Decisiones Basado en
rboles con Operadores de Lgica Difusa cuyo nombre es Fuzzy Tree Studio 1.0,
desarrollado en forma conjunta entre Universidad CAECE y la Universidad
Nacional de Mar del Plata (Argentina), que posee un mdulo que trabaja con la
LDC. Ello permite al agente decisor despreocuparse por el trasfondo matemtico y
centrarse en la formulacin verbal del modelo que le permita tomar una decisin.
En general los modelos basados en LDC combinan la experiencia y el
conocimiento con datos numricos, por lo que puede ser visto como una caja
gris. Los modelos basados en LD pueden verse como cajas blancas, dado que
permiten ver su estructura explcitamente. En contraposicin a los modelos
basados
en
datos
exclusivamente,
como
las
Redes
Neuronales,
que
corresponderan a cajas negras.

Estos modelos pueden ser optimizados cuando se dispone de datos reales
numricos. El mtodo de optimizacin puede provenir de la Inteligencia
Computacional. En este contexto, los Algoritmos Genticos presentan una
alternativa interesante. Este enfoque constituye el fundamento de los sistemas
hbridos.
La tendencia de las investigaciones sobre gestin empresarial, mediante las
tcnicas de la LDC, est orientada a la creacin de sistemas hbridos que integren
esta con las habilidades de las Redes Neuronales y las posibilidades de los
Algoritmos Genticos y la Lgica de Conjuntos. La creacin e implementacin de
estos sistemas mixtos permite resolver problemas complejos y de difcil solucin;
en las que se usan estimaciones subjetivas sustentadas en la experiencia y en la
informacin disponible, como son: modelos de decisin utilizados con criterios de
optimizacin, ubicacin de centros comerciales, estrategia de entrada a mercados,
seleccin de carteras de productos y servicios, desarrollo de aplicaciones
informticas, mtodos para problemas de descubrimiento de conocimiento,
mtodos para evaluar la eficiencia de diferentes tipos de instituciones, entre otras.
EQUIPO #2 IM 708-C
Pgina 14

La Lgica Difusa Compensatoria es un modelo lgico multivalente que
renuncia a varios axiomas clsicos para lograr un sistema idempotente y
sensible, al permitir la compensacin de los predicados. En la LD el valor de
verdad de la conjuncin es menor o igual a todas las componentes, mientras que
el valor de verdad de la disyuncin es mayor o igual a todas las componentes. La
renuncia de estas restricciones constituye la idea bsica de la LDC.
En conclusin la LDC es un nuevo enfoque para los sistemas multivalentes
basado en la Media Geomtrica que, adems de aportar un sistema formal con
propiedades lgicas de notable inters, constituye un puente entre la Lgica y la
Toma de Decisiones. La LDC entra a formar parte del arsenal de mtodos para la
evaluacin multicriterio, adecundose especialmente a aquellas situaciones en
que el agente decisor puede describir verbalmente, frecuentemente en forma
ambigua,
la
heurstica
que
utiliza
cuando
ejecuta
acciones
de
evaluacin/clasificacin multicriterio. Sin embargo, la consistencia de la plataforma

lgica dota a esta propuesta de una capacidad de formalizacin del razonamiento
que rebasa los enfoques descriptivos de los procesos de decisin. Es una
oportunidad para usar el lenguaje como elemento clave de comunicacin en la
construccin de modelos semnticos que faciliten la evaluacin, la toma de
decisiones y el descubrimiento de conocimiento.
CONCEPTOS Y OPERACIONES CON LOS QUE TRABAJA LA

LGICA BORROSA O DIFUSA
Intervalos de Confianza: Constituyen los datos y valores con los cuales
trabaja la Lgica Borrosa, pueden ser intervalos formados solos por dos nmeros,
nmeros borrosos triangulares o nmeros borrosos trapezoidales.
Niveles de Presuncin o a corte: Expresan los niveles de precisin con
los que son dados los nmeros borrosos, desde 0 (total imprecisin) hasta 1(total
precisin).
EQUIPO #2 IM 708-C
Pgina 15

Evaluacin: Asociacin de un valor numrico que puede ser negativo,
positivo o nulo a un objetivo concreto o abstracto realizado por un experto.
Correspondencia entre un valor borroso y un estado real.
Valuacin: Expresin de un nivel de verdad, que toma valores del intervalo
de confianza (0,1). El nivel de precisin que se le hace corresponder a
la evaluacin dada por los expertos.
Adicin: (con nmeros Reales en su conjunto):
[a1; a2]+ [b1+ b2]= [a1+ b1; a2 + b2]
Sustraccin:
[a1; a2]- [b1+ b2]= [a1- b2; a2 - b1]
Multiplicacin:
[a1; a2]* [b1+ b2]= [mn (a1* b1; a1* b2; a2* b1; a2* b2); mx (a1* b1; a1*
b2; a2* b1; a2* b2)]
Divisin:
A/B= A* B-1
Donde B-1= [mn (1/a1; 1/a2); mx (1/a1; 1/a2)]
EQUIPO #2 IM 708-C
Pgina 16
4.2 APLICACIONES
APLICACIONES GENERALES
La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es
muy alta y no existen modelos matemticos precisos, para procesos altamente no
lineales y cuando se envuelven definiciones y conocimiento no estrictamente
definido (impreciso o subjetivo).
En cambio, no es una buena idea usarla cuando algn modelo matemtico
ya soluciona eficientemente el problema, cuando los problemas son lineales o
cuando no tienen solucin.
Esta tcnica se
ha
empleado
con
bastante
xito
en
la industria,
principalmente en Japn, extendindose sus aplicaciones a multitud de campos.

La primera vez que se us de forma importante fue en el metro japons, con
excelentes resultados. Posteriormente se generaliz segn la teora de la
incertidumbre desarrollada por el matemtico y economista espaol Jaume Gil
Aluja.
A continuacin se citan algunos ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores
EQUIPO #2 IM 708-C
Pgina 17
Sistemas expertos del conocimiento (simular el comportamiento de
un experto humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin
imprecisa. Para este punto, por ejemplo, existe el lenguaje FSQL.
...y, en general, en la gran mayora de los sistemas de control que no
dependen de un S/No.
LGICA DIFUSA EN INTELIGNCIA ARTIFICIAL

En Inteligencia artificial, la lgica difusa, o lgica borrosa se utiliza para la
resolucin de una variedad de problemas, principalmente los relacionados con
control de procesos industriales complejos y sistemas de decisin en general, la
resolucin y la compresin de datos. Los sistemas de lgica difusa estn tambin
muy extendidos en la tecnologa cotidiana, por ejemplo en cmaras digitales,
sistemas de aire acondicionado, lavarropas, etc. Los sistemas basados en lgica
difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser
mucho ms rpidos. Estos sistemas son generalmente robustos y tolerantes a
imprecisiones
ruidos
en
los
datos
de
entrada.
Algunos
lenguajes
de programacin lgica que han incorporado la lgica difusa seran por ejemplo
las diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.
Consiste en la aplicacin de la lgica difusa con la intencin de imitar
el razonamiento humano
en
la programacin de
computadoras.
Con
la lgica convencional, las computadoras pueden manipular valores estrictamente

duales, como verdadero/falso, s/no o ligado/desligado. En la lgica difusa, se
usan
modelos
matemticos
para
representar
nociones
subjetivas,
como caliente/tibio/fro, para valores concretos que puedan ser manipuladas por
los ordenadores.
EQUIPO #2 IM 708-C
Pgina 18

En este paradigma, tambin tiene un especial valor la variable del tiempo,
ya que los sistemas de control pueden necesitar retroalimentarse en un espacio
concreto de tiempo, pueden necesitarse datos anteriores para hacer una
evaluacin media de la situacin en un perodo anterior...
VENTAJAS E INCONVENIENTES
Como principal ventaja, cabe destacar los excelentes resultados que brinda
un sistema de control basado en lgica difusa: ofrece salidas de una forma veloz y
precisa, disminuyendo as las transiciones de estados fundamentales en el
entorno fsico que controle. Por ejemplo, si el aire acondicionado se encendiese al
llegar a la temperatura de 30, y la temperatura actual oscilase entre los 29-30,
nuestro sistema de aire acondicionado estara encendindose y apagndose
continuamente, con el gasto energtico que ello conllevara. Si estuviese regulado
por lgica difusa, esos 30 no seran ningn umbral, y el sistema de
control aprendera a mantener una temperatura estable sin continuos apagados y
encendidos.
Tambin est la indecisin de decantarse bien por los expertos o bien por la
tecnologa (principalmente mediante redes neuronales) para reforzar las reglas
heursticas iniciales de cualquier sistema de control basado en este tipo de lgica.
EQUIPO #2 IM 708-C
Pgina 19
4.3 RAZONAMIENTO APROXIMADO

Mediante el uso de conjuntos difusos es posible dotar de significado
matemtico a proposiciones como este coche es pequeo, Pedro es muy
alto o el crecimiento es lento utilizando los modificadores lingsticos (muy,
poco, demasiado, algo, extremadamente, etc.) para adaptar los calificativos a lo
que se quiere decir.
As para la representacin y utilizacin del conocimiento
impreciso, como hemos visto en la seccin 2.2, aparece el concepto de variable

lingstica.
Muchas veces, la programacin clsica no es suficiente para que un
sistema realice funciones complejas. Cuando un sistema no ha sido programado
explcitamente para realizar una funcin y se le pide
que la realice, el sistema
tiene que razonar. Por ejemplo, si el sistema conoce los siguientes hechos:
Estirada es una jirafa, Las jirafas son mamferos y le formulamos la pregunta:
Es Estirada un mamfero?, el sistema debe razonar para dar una respuesta.
Cuando el nmero de hechos y reglas aumenta, el sistema tiene que poder
verificar gran cantidad de hechos que surgen en las etapas de razonamiento. A
continuacin
estudiaremos
el
concepto
de
Regla
Difusa
empleada
en
Razonamiento Aproximado.
REGLAS DIFUSAS
El razonamiento aproximado se utiliza para representar y razonar con
conocimiento expresado en forma de primitivas atmicas, enunciadas en lenguaje
natural. Por ejemplo La velocidad tiene un valor positivo grande.
Uno de los objetivos de la Lgica Difusa es proporcionar un soporte formal
al razonamiento en el lenguaje natural que se caracteriza por un razonamiento
aproximado que utiliza premisas imprecisas como instrumento para formular el
EQUIPO #2 IM 708-C
Pgina 20

conocimiento. La Lgica Difusa naci, entonces, como la lgica del Razonamiento
Aproximado, y en ese sentido, poda considerarse una extensin de la Lgica
Multivaluada.
El concepto de Razonamiento Aproximado se puede interpretar como el
proceso de obtener conclusiones imprecisas a partir de premisas tambin
imprecisas.
Zadeh introdujo la teora del Razonamiento Aproximado y otros muchos
autores han hecho contribuciones importantes a este campo. En lenguaje natural
se describen objetos o situaciones en trminos imprecisos: grande, joven, tmido.
El razonamiento basado en estos trminos no puede ser exacto, ya que
normalmente representan impresiones subjetivas, quizs probables pero no
exactas.
Los esquemas de razonamiento utilizados son "esquemas de razonamiento
aproximado", que intentan reproducir los esquemas mentales del cerebro humano
en el proceso de razonamiento. Estos esquemas consistirn en una generalizacin
de los esquemas bsicos de inferencia en Lgica Binaria (silogismo clsico).
Tan importante es la seleccin de un esquema de razonamiento como su
representacin material, ya que el objetivo final es poder desarrollar un
procedimiento analtico concreto para el diseo de controladores "heursticos", que
nos permita inferir el control adecuado de un determinado proceso en funcin de
un conjunto de reglas "lingsticas", definidas de antemano tras la observacin de
la salida y normas de funcionamiento de ste.
La Lgica Difusa trata de crear aproximaciones matemticas en la
resolucin de ciertos tipos de problemas. Pretende producir resultados exactos a
partir de datos imprecisos, por lo cual es particularmente til en aplicaciones
electrnicas o computacionales. Est definida como un sistema matemtico que
modela funciones no lineales, que convierte unas entradas en salidas acordes con
los planteamientos lgicos que usa el razonamiento aproximado.
EQUIPO #2 IM 708-C
Pgina 21
EQUIPO #2 IM 708-C
Pgina 22
4.4 CONTROL DIFUSO Y ESTRUCTURA DE CONTROL

CONTROL DIFUSO
Este control utiliza la lgica difusa a travs de conceptos de inteligencia
artificial, para convertir una muestra de la seal real a nmeros difusos, para
tratarlos luego segn las reglas de inferencia y las bases de datos determinados
en las unidades de decisin, permitiendo as la estabilizacin del sistema son la
necesidad de fijar un punto de referencia. Se trata de un control que se basa en la
experiencia adquirida para actuar como la hara una persona, es decir en base a
reglas empricas. Es un control que se puede utilizar en procesos no lineales que
son difciles de modelar. El problema que tiene radica en que el programador no
tenga la suficiente experiencia, es decir no conozca a la perfeccin cmo
evoluciona la variable a regular. Para este caso se puede programar el control con
lgica difusa con la
ayuda
de
una red neuronal,
que es
un
sistema
complejo de aprendizaje, es decir, la red neuronal aprendera del sistema lo

suficiente como para informar al control difuso cuales son las reglas a usar en
cada momento para obtener un buen control. La lgica difusa es considerada
como una tcnica para fabricar decisiones. En muchas aplicaciones de control de
procesos, el algoritmo resultante est gobernado por un nmero de decisiones
claves que estn implcitas en el mismo. Cuando la experiencia o comprensin del
problema no es buena o no se tiene, optimizar el algoritmo es muy difcil. Esta es
la razn por la cual la lgica difusa es utilizada. Con lgica difusa, podemos dividir
el problema dentro de un nmero discreto de posibles decisiones para asociar las
funciones de membreca con cada entrada y salida.
Aunque
la
estructura
de
todos
los
controladores
difusos
es
aproximadamente igual, no existe una definicin general para sus componentes

internos. Cada diseador debe elegir y decidir cuidadosamente un buen nmero
de cuestiones. Desde cierto punto de vista, la diversidad de posibilidades y de
EQUIPO #2 IM 708-C
Pgina 23

mtodos para elegir una solucin particular a cada una de las cuestiones
dependiendo del caso de que se trata, hace que hasta ahora, el diseo de un
controlador difuso sea ms un arte que una ciencia.
La finalidad del control difuso es modificar el comportamiento de la planta a
controlar mediante el cambio de una entrada o varias entradas del sistema, de
acuerdo a un conjunto de reglas y un proceso de inferencia que permita producir
las salidas deseadas.
Los sistemas de control difusos se basan en reglas difusas que representan
un mecanismo de decisin de control, para ajustar los cambios indeseables
provenientes de la planta. Normalmente, los sistemas de control difusos sustituyen
o reemplazan las habilidades de un operador humano por un sistema basado en
reglas difusas. Como se mencion anteriormente, otra caracterstica de los
sistemas difusos es que reemplazan en el papel del modelo matemtico de
ecuaciones diferenciales, como se muestra en la figura, por otro modelo que es
construido con un nmero de reglas.
La teora del control clsico, usa un modelo matemtico de ecuaciones
diferenciales para definir una relacin que transforma el estado deseado
(solicitado) y el estado observado (medido) del sistema, a una entrada o entradas
que alterarn el estado futuro del sistema.
En una aplicacin de control, la lgica difusa es usada para formar una

estrategia de control empleando lenguaje hablado. Un controlador que emplea
lgica difusa se crea en tres pasos, que se describen a continuacin.
EQUIPO #2 IM 708-C
Pgina 24

FUZZIFICACIN
Es el proceso de la transformacin de los datos de las variables de
entrada(s) y/o salida(s) del controlador difuso a conjuntos difusos.
El primer paso en la fuzzificacin es dividir el universo de discurso,
asignando etiquetas en cada variable del controlador difuso. Despus, se
establecen las funciones de membresa (conjuntos difusos) para dar significado
numrico a cada etiqueta. Cada funcin de membresa identifica el rango de los
valores de entrada que corresponden a una etiqueta.
En el proceso de fuzzificacin, las funciones de membresa definidas sobre
las variables de entrada mapean a los datos presentes para determinar el grado
de verdad en la premisa de cada regla. Por lo tanto, para transformar las entradas
del controlador difuso a entradas difusas, se deben primero determinar las
funciones de membresa para cada entrada.
Existen diferentes formas de las funciones de membresa. Las ms usadas
son del tipo trapezoidal y triangular, las cuales pueden utilizar una representacin
punto-pendiente
para
implementar
la
etapa
de
fuzzificacin
en
un
microcontrolador.
Es posible tambin emplear otras formas de funciones de membresas que
puedan describir mejor al fenmeno natural que ocurre, pero se requerir de
ecuaciones ms complicadas o de tablas de bsqueda grandes para representarlo
con
precisin,
consumindose
de
esta
manera
ms
memoria
en
la
implementacin.
En resumen la etapa de fuzzificacin es la interface del mundo real con el
controlador difuso, donde:
Se miden los valores fsicos de las variables de entrada, como

posicin, velocidad, presin, temperatura, etc.
EQUIPO #2 IM 708-C
Pgina 25
Se efecta un mapeo escalado que transfiere el rango de valores de

las variables de entrada a sus correspondientes universos de
razonamiento.
La funcin de fuzzificacin, convierte datos de entrada dentro de
valores lingsticos los cuales pueden ser vistos como etiquetas de
conjuntos difusos.
BASE DEL CONOCIMIENTO

Comprende un conocimiento del dominio de aplicacin y de los objetivos de
control, la base del conocimiento de un sistema difuso consiste en dos
componentes: una base de datos y una base de reglas de control difuso.
Los conceptos para construir una base de datos son casi siempre definidos
y basados en la experiencia y buen juicio de la ingeniera; salvo en los casos que
se usa identificacin difusa de un sistema.
La base de reglas de control representa el comportamiento dinmico de un
sistema difuso, estas reglas estn basadas en conocimiento experto y tienen la
forma: SI (un conjunto de reglas son satisfechas) ENTONCES (un conjunto de
consecuencias puede ser inferido).
Por ltimo, la base del conocimiento puede ser obtenida modelando las
acciones de control de un operador experto.
EVALUACIN DE LAS REGLAS Y TOMA DE DECISIN

Para describir la conducta del sistema deseado en forma lingstica se
crean reglas de manera similar a la humana. El razonamiento aproximado se hace
en base a reglas SI/ENTONCES, consideradas como implicaciones (AB). El
EQUIPO #2 IM 708-C
Pgina 26

proceso de evaluacin de una descripcin lingstica difusa se llama interferencia
difusa.
INTERFERENCIA
La interferencia calcula el valor de verdad para la premisa de cada regla y
de esto se infiere la conclusin de la regla, el resultado es un subconjunto difuso
que se asigna a cada variable de salida para cada regla.
Hay dos importantes procedimientos en interferencia difusa: generalized
modus ponens (GMP) y generalized modus tollens (GMT), que es el proceso
inverso de GMP. Para explicarlos, por simplicidad se considera una descripcin
lingstica que incluya solamente una regla SI/ENTONCES con una relacin de
implicacin R(x,y) conocida y un valor difuso A aproximadamente igual al
antecedente de la regla.
El razonamiento en lgica difusa se hace en base al generalized modus
ponens. GMP permite calcular (inferir) el consecuente B.
Para calcular la funcin de membresa de B, se usa la composicin, por

ejemplo max-min del conjunto difuso A con la relacin de implicacin de la regla
R(x,y), esto es
B=AR(x,y)
En trminos de funciones de membresa:
EQUIPO #2 IM 708-C
Pgina 27

Donde A(x) es la funcin de membresa de A, (x,y) es la funcin de
membresa de la relacin de implicacin, y B(y) la funcin de membresa de B.
En GMT se da una regla y un valor difuso aproximadamente igual a su
consecuente y se infiere el antecedente, esto es,
En GMT se conoce la relacin de implicacin de la regla R(x,y) y el

consecuente B. Para calcular la funcin de membresa A, se usa una composicin
max-min de R(x,y) con el conjunto difuso B, esto es,
A=R(x,y)B
En trminos de funciones de membresa
Adems la composicin max-min, tambin se puede emplear otras

composiciones por ejemplo max-producto.
IMPLICACIN DIFUSA
La relacin de implicacin es la forma analtica fundamental de una regla
SI/ENTONCES; se refleja el criterio especfico de aplicacin, as como tambin las
consideraciones lgicas e intuitivas y se obtiene de las funciones de membresa
del antecedente y el consecuente de la regla:
Si x es A entonces y es B
EQUIPO #2 IM 708-C
Pgina 28

Donde las variables lingsticas x y y toman los valores A y B,
respectivamente. La forma analtica fundamental de la regla es la relacin de
implicacin, es decir:
Donde (x,y) es la funcin de membresa de la relacin de implicacin, lo

que se desea obtener. Cuando las variables lingsticas en la regla estn definidas
sobre universos discretos de discurso, la relacin de implicacin se escribe como:
Hay numerosas tcnicas para obtener una relacin de implicacin R en

base a los conjuntos difusos de una regla, la cual representa al GMP en la forma
de una ecuacin relacional difusa dada por B=AR(x,y), donde representa un
mtodo general para composicin de relaciones difusas. Estas se conocen como
las relaciones de implicacin difusa. A continuacin se muestran 10 tcnicas
diferentes para obtener los valores de la funcin de membresa de la relacin
difusa R definida sobre el espacio del producto Cartesiano X x Y.
EQUIPO #2 IM 708-C
Pgina 29

COMPOSICIN DE RELACIONES DIFUSAS
Bajo composicin, los subconjuntos difusos asignados a cada variable de
salida son combinados para formar un subconjunto difuso para cada variable de
salida. Los mtodos Max-Min y Max-Prod de composicin de relacin difusa son
dos de las tcnicas usadas ms comnmente para la solucin de las ecuaciones
relacionales difusas. Cada mtodo de composicin de relaciones difusa refleja una
mquina de inferencia especial y su propio significado y aplicacin. Enseguida se
dan 8 mtodos diferentes para composicin de relaciones difusas y=xR.
EQUIPO #2 IM 708-C
Pgina 30

AGRECACIN
Es el proceso en el cual los conjuntos difusos que representan las salidas
de cada regla son combinadas en un solo conjunto difuso para generar una
decisin, y ocurre solamente una vez por cada variable de salida, es adems el
paso previo a la defuzzificacin.
Existen dos casos:
I.
Sistema conjuntivo de reglas: las reglas estn conectadas por el

conectivo Y; en este caso la salida agregada se encuentra
mediante la interseccin difusa de todas las salidas de reglas
individuales como:
y= (y1) Y(y2) Y Y(yr)
la cual est definida por la membresa,
El sistema difuso, puede ser descrito por una simple ecuacin de
relacin difusa acumulada:
y equivalente: y= x (R1 Y R2 Y Rr) y finalmente como: y = x R
donde R est definido como
La relacin acumulada R es llamada la relacin de transferencia del
sistema difuso. Para el caso de un sistema con n entradas difusas no
interactivas y una salida, la ecuacin de relacin difusa se escribir
de la forma: Y = x1 x2 xn R.
II.
Sistema disjuntivo de reglas: se requiere que se satisfaga al menos

una regla, las reglas estn conectadas por el conectivo o. En este caso
la salida acumulada es encontrada mediante la unin difusa de todas las
contribuciones de reglas individuales, como
y = (y1) O (y2) OO (yr)
la cual est definida por la funcin de membresa,
EQUIPO #2 IM 708-C
Pgina 31

y as de manera similar al caso (I) anterior.
La solucin general se deriva de Max-Min y Max-Prod, dos tcnicas
comunes para la composicin de relaciones difusas.
1. Mtodo Max-Min
Para un sistema de relaciones difusas disjuntivas, conectadas por o
sino la salida agregada y se encuentra basndose en las ecuaciones
(I.3.20) y (I.3.12), como sigue:
donde y(y) es la funcin de membresa que describe la respuesta de
salida completa a la entrada difusa x.
Para un conjunto conjuntivo d relaciones difusas, conectadas por Y, se
usan las ecuaciones (I.3.19) y (I.3.12) para encontrar la salida agregada.
2. Mtodo Max-Prod
Para un sistema de relaciones difusas conjuntivas, basados en las
ecuaciones (I.3.19) y (I.3.13), la salida agregada y ser:
Para un conjunto disjuntivo de relaciones difusas, se usan las

ecuaciones (I.3.20) y (I.3.13) para encontrar la salida agregada.
EQUIPO #2 IM 708-C
Pgina 32

DEFUZZIFICACIN
Es la conversin de una cantidad difusa, representada por una funcin de
membresa a una cantidad especfica. A continuacin se presentan tres tcnicas
comunes de defuzzificacin.
I.
Mtodo Max.- En casos donde la funcin de membresa que

caracteriza la cantidad difusa, tiene un pico nico, se toma el valor
especfico correspondiente al pico de la funcin para ser el valor ms
representativo de la cantidad difusa.
II.
Mtodo del centroide.- En este mtodo de defuzzificacin, se

calcula el centro de la gravedad del rea limitada por la curva de la
funcin de la membresa para ser el valor de salida representativo de
la cantidad difusa.
EQUIPO #2 IM 708-C
Pgina 33

III.
Mtodo de peso.- Esta tcnica de defuzzificacin es vlida

solamente para el caso donde la funcin de membresa de la salida
es el resultado de la unin acumulada de funciones simtricas.
Asumiendo que:
entonces la salida defuzzificadfa es obtenida por:
EQUIPO #2 IM 708-C
Pgina 34
CONCLUSIN
La teora de los Conjuntos Difusos y sus ulteriores desarrollos, constituyen
modelos que resultan especialmente tiles para tratar con la incertidumbre de
manera ms "natural" y ms "humana" que la lgica y la teora de conjuntos
clsicas.
La Lgica Difusa surgi debido a la necesidad de solucionar problemas
complejos con informacin imprecisa para los cuales la lgica tradicional no era
suficiente. Es un lenguaje que permite trasladar sentencias sofisticadas del
lenguaje natural a un lenguaje matemtico formal.
Los Conjuntos Difusos, como su nombre lo indica, no tienen lmites bien
definidos, es decir, la transicin entre la pertenencia y la no pertenencia de una
variable a un conjunto es gradual. Para representar formalmente la incertidumbre
de este tipo de enunciados se definen variantes de la Lgica Clsica en la que los
valores de verdad no se limitan solamente a Verdadero y Falso.
Se caracteriza por Funciones de Pertenencia que dan la flexibilidad a la
modelacin utilizando expresiones lingsticas tales como mucho, poco, leve,
severo, escaso, suficiente, caliente, fro, joven.
Un elemento puede pertenecer a varios Conjuntos Difusos a la vez aunque
con distinto grado y, en este caso, no se puede decir, tratndose de Conjuntos
Difusos, que pertenece a un nico conjunto de manera rotunda.
EQUIPO #2 IM 708-C
Pgina 35
BIBLIOGRAFA
http://www2.elo.utfsm.cl/~elo377/documentos/Fuzzy.pdf
http://itzamna.bnct.ipn.mx/dspace/bitstream/123456789/730/1/228_2005_CITEDI_
MAESTRIA_laura_jimenez.pdf
http://profesores.elo.utfsm.cl/~tarredondo/info/soft-comp/Introduccion%20a%20la
%20Logica%20Difusa.pdf
https://es.wikipedia.org/wiki/L%C3%B3gica_difusa
http://www.monografias.com/trabajos98/introduccion-logica-borrosa-odifusa/introduccion-logica-borrosa-o-difusa.shtml
Milln, E. Ampliacin de Ingeniera de Conocimiento. Razonamiento Aproximado,
Universidad de Bogot, Colombia, 1999.
EQUIPO #2 IM 708-C
Pgina 36

Logica Difusa

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Logica Difusa

Hochgeladen von

Copyright:

Verfügbare Formate

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

En este documento se presenta una introduccin a la teora y aplicacin de

TEORIA DE CONTROL DIFUSO

4.1 INTRODUCCIN A LA LGICA DIFUSA

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

INTRODUCCIN A LA LGICA DIFUSA

domstico y de entretenimiento, sistemas de diagnstico, entre otros. Este hecho

neuronales, algoritmos genticos

inteligentes" representan el conocimiento de una forma a la vez entendible por los

TEORIA DE CONTROL DIFUSO

la inteligencia humana. Algunos conceptos pueden ser mejor definidos en trminos

razonamiento humano utiliza valores de verdad que no tienen porque ser

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

SI hace muchsimo fro. ENTONCES aumento drsticamente

SI voy a llegar un poco tarde. ENTONCES aumento levemente la

TEORIA DE CONTROL DIFUSO

Funcionamiento de un sistema de control difuso.

TEORIA DE CONTROL DIFUSO

LGICA DIFUSA COMPENSATORIA (LDC)

TEORIA DE CONTROL DIFUSO

MODELIZACIN DE LA VANGUEDAD EN LA LGICA DIFUSA

TEORIA DE CONTROL DIFUSO

corresponderan a cajas negras.

TEORIA DE CONTROL DIFUSO

evaluacin/clasificacin multicriterio. Sin embargo, la consistencia de la plataforma

CONCEPTOS Y OPERACIONES CON LOS QUE TRABAJA LA

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

principalmente en Japn, extendindose sus aplicaciones a multitud de campos.

Sistemas de control de acondicionadores de aire

Sistemas de foco automtico en cmaras fotogrficas

Electrodomsticos familiares (frigorficos, lavadoras...)

Optimizacin de sistemas de control industriales

Mejora en la eficiencia del uso de combustible en motores

TEORIA DE CONTROL DIFUSO

Sistemas expertos del conocimiento (simular el comportamiento de

Bases de datos difusas: Almacenar y consultar informacin

imprecisa. Para este punto, por ejemplo, existe el lenguaje FSQL.

...y, en general, en la gran mayora de los sistemas de control que no

LGICA DIFUSA EN INTELIGNCIA ARTIFICIAL

la lgica convencional, las computadoras pueden manipular valores estrictamente

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

4.3 RAZONAMIENTO APROXIMADO

As para la representacin y utilizacin del conocimiento

impreciso, como hemos visto en la seccin 2.2, aparece el concepto de variable

que la realice, el sistema

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

TEORIA DE CONTROL DIFUSO

4.4 CONTROL DIFUSO Y ESTRUCTURA DE CONTROL

una red neuronal,

complejo de aprendizaje, es decir, la red neuronal aprendera del sistema lo

aproximadamente igual, no existe una definicin general para sus componentes

TEORIA DE CONTROL DIFUSO

En una aplicacin de control, la lgica difusa es usada para formar una

TEORIA DE CONTROL DIFUSO

Se miden los valores fsicos de las variables de entrada, como