LOGICA DIFUSA

Segn esta teora, el grado de pertenencia de un elemento a un conjunto esta determinado por una funcin de pertenencia, que puede tomar todos los valores reales comprendidos en el intervalo [0 , 1]. La representacin de la funcin de pertenencia de un elemento a un conjunto difuso se representa en la siguiente figura:

Introduccin

Valores linguisticos Q Bajo 1 Medio Alto

0.66 0.33

Por ejemplo, la velocidad puede ser caracterizada por valores lingusticos como Bajo, Medio y Alto, que representan una velocidad aproximadamente menor que 40 km/h, una velocidad cercana a 55 km/h y una velocidad sobre 70 km/h, respectivamente. Estos trminos se asocian a conjuntos difusos con funciones de pertenencia como las mostradas en la figura.

40

45

55

70

Velocidad (km/h) Variable lingustica

Ejemplo de funciones de pertenencia a conjuntos difusos

Introduccin

Llamaremos variable lingstica a aquella nocin que vamos a calificar de forma difusa. Por ejemplo la altura, la edad, el error, la variacin del error. Le aplicamos el adjetivo lingstica porque definiremos sus caractersticas mediante el lenguaje natural.

Introduccin

Llamaremos universo de discurso al rango de valores que pueden tomar los elementos que poseen la propiedad expresada por la variable lingstica. Por ejemplo, en el caso de la variable lingstica altura, podra ser el conjunto de valores comprendidos entre 1.5 y 2.3 m.

Introduccin

Llamaremos valor lingstico a las diferentes clasificaciones que efectuamos sobre la variable lingstica: en el caso de la altura podramos dividir el universo de discurso en los diferentes valores lingsticos: bajo, mediano y alto. Cada valor lingstico tendr un conjunto difuso asociado, de forma que hablaremos de los conjuntos difusos bajo, alto,.. Asociados a la variable lingstica altura.
Introduccin 5

Q Bajo 1

Funcin de pertenencia Mediano

Conjunto difuso Valor lingustico

Alto

Altura 1.5 1.7 1.9 Variable lingustica Universo de Discurso

Introduccin

Se define la funcin de pertenencia como aquella aplicacin que asocia a cada elemento de un conjunto difuso el grado con que pertenece al valor lingstico asociado. Los conjuntos difusos son caracterizados por sus funciones de pertenencia. Diremos que un conjunto es difuso cuando el concepto al que representa tiene una funcin de pertenencia difusa asociada a l.
Introduccin 7

En el grfico anterior se han dibujado 3 conjuntos difusos sobre la variable lingstica altura, cuyos valores lingsticos asociados son bajo, mediano y alto respectivamente. Las funciones de pertenencia son del tipo L,para bajo; Lambda o Tringulo para mediano; y Gamma para alto.

Introduccin

Ejemplo: Entrenador de Bsquetbol

Desea seleccionar candidatos para su equipo Condiciones: Altura Buen encestador Solucin clsica: Altura > 185 cm De 16 tiros al aro, encestar al menos 13: 13/16
Introduccin 9

Resultados de una Seleccin de Candidatos: Solucin Clsica

Candidato A B C D E F G H J Estatura (cm) 167 169 175 179 183 186 187 190 200 Aciertos (de 16 tiros) 12 6 15 12 16 13 12 10 13 Solucin Clsica 0 0 0 0 0 1 0 0 1

Introduccin

10

Solucin utilizando conjuntos difusos

Se

definen nmeros difusos para cada variable Combinacin por lgica difusa

1 0.8 0.6 0.4 0.2 0 130 150 170 190 210

Baja

Media

Alta

Estatura (cm)

Introduccin

11

1 0.8 0.6 0.4 0.2 0 2/16 4/16 6/16 8/16 10/16 12/16 14/16

Malo

Regular

Bueno

Encestador

Introduccin

12

Ejemplo: Mtodo de Seleccin Difuso

Candidato exitoso: estatura alta y buen encestador Candidato D estatura (cm) 179 Aciertos (de 16 tiros) 12 Lgica Difusa (Criterio min) 0.5

1 0.8 0.6 0.4 0.2 0 160 180 179 200

1 0.8

Alta

0.6 0.4 0.2 0 8/16 10/16 12/16 14/16 12 Introduccin

Bueno

13

Resultados de la Seleccin Candidatos:Solucin con lgica difusa

de

Candidato A B C D E F G H J

Estatura (cm) 167 169 175 179 183 186 187 190 200

Aciertos (de 16 tiros) 12 6 15 12 16 13 12 10 13

Lgica Difusa 0 0 0.33 0.50 0.87 0.75 0.50 0 0.75

Introduccin

14

Utilizando Lgica Difusa se logra seleccin con discriminacin entre los candidatos (ranking valorado)

Candidato E F J D G C A B H

Estatura (cm) 183 186 200 179 187 175 167 169 190

Aciertos (de 16 tiros) 16 13 13 12 12 15 12 6 10

Sol Clsica 0 1 1 0 0 0 0 0 0

Lgica Difusa 0.87 0.75 0.75 0.50 0.50 0.33 0 0 0 Evita dejar afuera del equipo a un gran encestador que mide 183 15

Introduccin

Otras consideraciones
j Conjuntos difusos y su lgica Difusa (o borrosa)
La palabra fuzzy viene del ingls fuzz (tamo, pelusa, vello) y se traduce por difuso o borroso Importancia: en la actualidad es un campo de investigacin muy importante, tanto por sus implicaciones matemticas o tericas como por sus aplicaciones prcticas. Problemas bsicos subyacentes: Conceptos sin definicin clara: muchos conceptos que manejamos a menudo, no tienen una definicin clara: Qu es una persona alta? a partir de qu edad una persona deja de ser joven? La lgica clsica o bivaluada es demasiado restrictiva: una afirmacin puede no ser ni VERDAD ni FALSA Yo leer El Quijote:en qu medida es cierto? Depende de quien lo diga y......
El es bueno para la Fsica: es bueno, muy bueno o un poco mejor que regular?.

Introduccin

16

Otras herramientas con las que se ha usado: Sistemas basados en reglas, redes neuronales, algoritmos genticos, Bases de datos,.....

j Cundo

usar la tecnologa fuzzy o difusa?

En procesos complejos, si no existe un modelo de solucin sencillo En procesos no lineales Cuan haya que introducir la experiencia de un operador experto que se base en conceptos imprecisos obtenidos de su experiencia Cuando ciertas partes de un 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 imprecisin o incertidumbre (como las bases de datos difusas)

Introduccin

17

j Aplicaciones

de trfico, control de vehculos, control de compuertas en plantas hidroelctricas, centrales trmicas, control en mquinas lavadoras, control de metros (mejora de conduccin, precisin en las paradas y ahorro de energa), ascensores,.... Prediccin

Control

de Sistemas:control

y Optimizacin: prediccin de terremotos, optimizar

horarios,.... Reconocimiento de patrones y Visin por computador: seguimiento de objetos con cmara, reconocimiento de escritura manuscrita, reconocimiento de objetos, compensacin de vibraciones en la cmara,..

Sistemas de Informacin: Bases de datos, sistemas de expertos, ...

Introduccin

18

Conjuntos Crisp y Difusos

Conceptos sobre conjuntos difusos: surgieron como una forma de representar la imprecisin y la incertidumbre herramientas que usa: matemticas, probabilidad, estadstica, filosofa,
psicologa

Es un puente entre dos tipos de computaciones C. Numrica: usadas en aplicaciones cientficas por ejemplo
C. Simblica: usada en todos los campos de la Inteligencia Artificial Conjuntos Clsicos(crisp): surgen de forma natural, por la necesidad del ser humano de clasificar objetos y conceptos Conjunto de frutas: manzana Frutas, lechuga Frutas Funcin de pertenencia A(x), x X: X es el universo de discurso Restriccin de la funcin A: X p_0, 1a A(x) = 1 si x A , A(x) = 0 si x A Conjunto Vaco J(x) = 0,  x X Conjunto Universo U(x) =1 ,  x X

Introduccin

19

 Conjuntos

Difusos (fuzzy): Relajan la restriccin, A : X p [0, 1]

Hay conceptos que no tienen lmites claros la temperatura 25 es alta ? Definimos por ejemplo: Alta(30) = 1, Alta(10) = 0, Alta(25) = 0.75 ...

Definicin:

Un conjunto difuso A se define como una funcin de pertenencia que enlaza o empareja los elementos de un dominio o Universo de discurso X con elementos del intervalo [0, 1]: A: X p [0, 1]

Cuanto ms cerca est A(x) del pertenencia del objeto x al conjunto A los valores de pertenencia varan entre
(pertenencia total)

valor 1, mayor ser la

0 (no pertenece en absoluto) y 1

Introduccin

20

Representacin: Un conjunto difuso A puede representarse como un

conjunto de pares de valores: cada elemento x X con su grado de pertenencia a A. Tambin puede ponerse como una suma de pares:

A= { A(x)/x, x X } A= 7in=1 A(xi) / xi (los pares en los que A(x)=0, no se incluyen) Ejemplo: Conjunto de alturas del concepto difuso Alto en personas A= 0.25/1.75 + 0.5/1.8 + 0.75/1.85 + 1/ 1.9 Si el universo es continuo: A= A(x)/ x

la suma y la integral no deben considerarse como operaciones algebraicas

Introduccin 21

 Contexto: Es fundamental en la definicin de conjuntos difusos no es lo mismo el concepto Alto aplicado a personas que a edificios Funcin de Pertenencia: un conjunto difuso puede representarse
tambin grficamente como una funcin, especialmente cuando el universo de discurso X (o domino subyacente) es continuo (no discreto) abscisas (eje X): Universo de discurso X ordenadas (eje y): grados de pertenencia en el intervalo [0, 1] Ejemplo: concepto de temperatura Alta

Temperatura Alta
1

0 10 20 Introduccin 30 40

X (C)
22

Clculo de Funciones de Pertenencia

Las funciones de pertenencia pueden calcularse de diferentes formas. El mtodo a elegir depende de la aplicacin en particular, del modo en que se manifieste la incertidumbre y en el que sta sea medida durante los experimentos. Sin embargo uno de los mtodos mas usados es el mtodo horizontal: se basa en las respuestas de un grupo de N expertos la pregunta tiene el formato siguiente: Puede x ser considerado compatible con el concepto A ? Slo se acepta un SI o un NO, de forma que A(x) = (respuestas afirmativas)/N

Introduccin

23

OPERACIONES BASICAS DE LOGICA DIFUSA

En lgica difusa hay muchas maneras de definir estas operaciones. Cualquier operacin que cumpla las restricciones de una T-norma puede ser usada para intersectar, igual que cualquier S-norma puede ser usada para unir conjuntos difusos. Las T-normas especifican un conjunto de condiciones que deben reunir aquellas operaciones que deseen ser usadas para intersectar conjuntos, mientras que las S-normas hacen lo propio para las uniones. Dados dos conjuntos difusos A y B en el mismo universo X, con funciones de pertenencia uA y uB respectivamente, se pueden definir las siguientes operaciones bsicas.

Introduccin

24

Interseccin: La funcin de pertenencia de la interseccin de A y B

se define como: uAB = min _ uA (x) , uB (x)a uAB = uA (x) uB (x)

Unin: La funcin de pertenencia de la unin de A y B se define

como: uAB = max _ uA (x) , uB (x)a uAB = min _1, uA (x) + uB (x)a

Introduccin

25

INTERSECCIN (AND)
C (x) = min( A (x), B (x) )
1,2 1 0,8 0,6 0,4 0,2 0 0 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10 2 4 6 8 10

1,2 1 0,8 0,6 0,4 0,2 0 0 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10 2 4 6 8 10

Introduccin

26

UNION (OR)
C (x) = max( A (x), B (x) )
1,2 1 0,8 0,6 0,4 0,2 0 0 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10 2 4 6 8 10 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10

Introduccin

27

Complemento: La funcin de pertenencia

define como: uAc = 1 - uA (x) tambin se le llama negacin y se denota por uA = 1 - uA (x)

del complemento de A se

Subconjunto: A ser un subconjunto borroso de B cuando

uA (x) e uB (x),  x X

Implicacin: Una implicacin borrosa I es en general una funcin de

la forma I : ?0, 1A x ?0, 1A p?0, 1A Para cualquier par de valores a y b de proposiciones borrosas p, q define el valor cierto de I(a,b) de la proposicin condicional si p entonces q .

Introduccin

28

COMPLEMENTO (NOT)
(x) = 1 - A (x)
1,2 1 0,8 0,6 0,4 0,2 0 0 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 2 4 6 8 10 1,2 1 0,8 0,6 0,4 0,2 0 10 0 Introduccin 2 4 6 8 29 10 1,2 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10

Producto Cartesiano:
Dados los conjuntos difusos A1, A2, ......, An con universos X1, X2,... , Xn respectivamente, se define le producto cartesiano como un conjunto difuso en X1xX2x....xXn con la siguiente funcin de pertenencia: segn Mamdani (1974) uA1xA2x..xAn ( X1,X2,.....,Xn) = min_ uA1(X1), uA2(X2), ......, uAn(Xn)a segn Larsen (1980) uA1xA2x..xAn ( X1,X2,.....,Xn) = uA1(X1)yuA2(X2)y.........y uAn(Xn)

Introduccin

30

Modelos Difusos Lingsticos

Estos modelos se basan en un conjunto de reglas heursticas donde las variables lingsticas de las entradas y las salidas se representan por medio de conjuntos difusos. La siguiente figura muestra las principales componentes de un modelo difuso lingstico: interfaz de fusificacin, base de conocimientos, motor de inferencia e interfaz de defusificacin.

Introduccin

31

Interfaz de Fusificacin

Interfaz de defusificacin

Motor de Inferencia

Introduccin

32

Interfaz de fusificacin:
Este elemento transforma las variables de entrada del modelo ( m ) en variables difusas. Para esta interfaz se deben tener definidos los rangos de variacin de las variables de entrada y los conjuntos difusos asociados con sus respectivas funciones de pertenencia.

Base de Conocimientos:
Contiene las reglas lingsticas del control y la informacin referente a las funciones de pertenencia de los conjuntos difusos. Estas reglas lingsticas, tienen tpicamente la siguiente forma: Si u1 es A y u2 es B entonces y es C Donde A, B y C son los conjuntos difusos de las variables de entrada u1 y u2 , y de la variable de salida y, respectivamente.

Introduccin

33

Existen varias formas de derivar las reglas, entre las que destacan las basadas en: a) La experiencia de expertos y el conocimiento de ingeniera de control. La base de reglas se determina a partir de entrevistas con el operador o a travs del conocimiento de la dinmica del proceso.

b) La modelacin del proceso. Los parmetros de la base de conocimientos se obtienen a partir de datos de entrada y salida del proceso.

Introduccin

34

Motor de Inferencia:
Realiza la tarea de calcular las variables de salida a partir de las variables de entrada, mediante las reglas del controlador y la inferencia difusa, entregando conjuntos difusos de salida. Por ejemplo, dada una base de conocimiento con n reglas de la forma: Si u1 es Ai y u2 es Bi entonces y es Ci La secuencia de clculos que realiza el motor de inferencia incluye:

Introduccin

35

Determinar el grado de cumplimiento Wi de cada regla a partir de los grados de pertenencia de las variables de entrada obtenidos en la etapa de fusificacin , es decir: Wi = min (uAi, uBi) Debido a que las premisas de las reglas estn unidos por operadores AND, definidos como la interseccin de conjuntos difusos

Introduccin

36

Para cada regla se tiene una consecuencia y es Ci , que tiene asociado una funcin de pertenencia uCi . Por lo tanto se tiene un conjunto de salida Ci , cuya funcin de pertenencia es: uCi = min(Wi , uCi ) donde Wi es el grado de cumplimiento de para la regla i.

Introduccin

37

Para evaluar el conjunto total de reglas, se unen los conjuntos difusos Ci resultantes de cada regla, generndose un conjunto de salida con la siguiente funcin de pertenencia:

uC = max ( u Ci ) de esta forma, se obtiene una salida difusa del controlador, con funcin de pertenencia uC

Introduccin

38

Interfaz de defusificacin: Este

elemento provee salidas discretas y determinsticas a partir de los conjuntos difusos C obtenidos como resultado de la inferencia.

Existen diferentes mtodos de defusificacin, alguno de los cuales son:

a) Mtodo del Mximo: la salida corresponde al valor para el

cual la funcin de pertenencia uC alcanza su mximo . b) Media del Mximo: La salida es el promedio entre los elementos del conjunto C que tienen un grado de pertenencia mximo c) Centro de Area: Genera como salida el valor correspondiente al centro de gravedad de la funcin de pertenencia del conjunto de salida C

Introduccin

39

Ejemplo

Considrese un sistema con las siguientes reglas:

a) Si la temperatura es alta entonces la presin es elevada b) Si la temperatura es baja entonces la presin es baja c) Si la presin es baja entonces la entrada de combustible debe ser grande d) Si la presin es elevada entonces la entrada de combustible debe ser pequea Con los siguientes conjuntos difusos: Temperatura (C) Presin(bar) baja= (0/0 .2/30 .8/40 1/50 .7/60 .2/70 0/80) alta=(0/50 .3/60 .8/70 1/80 1/90 .5/100 0/110) baja=(0/0 .4/200 .8/400 1/600 1/800 .8/1000 .4/1200 0/1400) elevada=(0/1000 .2/1200 .4/1400 .8/1600 1/1800 1/1900 .5/2000 0/2200)

Ent-Combustible(litros/hora) pequea=(0/0 .6/1 1/2 1/3 .4/4 0/5) grande=(0/4 .5/5 1/6 .5/7 0/8)

Introduccin

40

Si la temperatura actual es es de 60C, determinar el valor para la entrada de combustible empleando la tcnica del centro

Introduccin

41

Baja 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

Alta

Dadas ciertas entradas Debemos determinar las salidas R1: si la temperatura es baja entonces la presin es baja R2: si la temperatura es alta entonces la presin es elevada

10

20

30

40 50

60 70 80 90 100 110

Temperatura

El grado de cumplimiento de cada regla es: R1: E1=uBaja(60) = 0.7 (grado de cumplimiento de R1) R2: E2 =uAlta(60) = 0.3 ( grado de cumplimiento de R2) Introduccin 42

Baja 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 E1 =0.7

Elevada

Punto medio conjunto difuso presin baja (1400 +0)/ 2 = 700 Punto medio conjunto difuso presin elevada (2200 + 1000)/2 = 1600

E2=0.3

10

12 14 16 18 20

22

Presin (100)

Defusificando mediante la tcnica del centro de rea (centro de gravedad) se tiene (0.7x700 + 0.3x1600)/(0.7 + 0.3) = 970 (bar)

Introduccin

43

1.0 0.9 0.8 E1 0.7 0.6 0.5 0.4 E2 0.3 0.2 0.1

Conjunto difuso de salida Si la temperatura es de 60 C Entonces la presin es de 970 (bar). Usamos la presin de de 970 (bar) como entrada para determinar la entrada de combustible

10

12 14 16 18 20

22

Presin (100)

970

Introduccin

44

Baja 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 E1 =0.7

Elevada

R3: si la presin es baja entonces la entrada de combustible debe ser grande R4: si la presin es elevada entonces la entrada de combustible debe ser pequea

E2=0.3

10 970

12 14 16 18 20

22

Presin (100)

E3=Qbaja(970) = 0.87 (grado de cumplimiento de R3) E4=Qelevada(970) = 0 (grado de cumplimiento de R4)

Introduccin

45

Pequea 1.0 E3=0.87 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 E4=0 1 2 3 4 5

Elevada

Punto medio conjunto difuso entrada de combustible pequea (5 + 0)/2 = 2.5 Punto medio conjunto difuso entrada de combustible grande (4 + 8)/2 = 6 Centro de gravedad =(0*2.5 + 0.87*6)/(0 + 0.87) = 5.22 / 0.87 = 6

Entrada de combustible

Si la temperatura actual es de 60C entonces la entrada de combustible es de 6 litros/hora

Introduccin

46

La abuela Mara prepara sus deliciosas galletas caseras de forma artesanal desde hace mas de cuarenta aos. El toque secreto de la receta consiste en hornearlas cuidadosamente hasta que tomen su caracterstico color dorado. Durante este delicado proceso la abuela Mara observa peridicamente las galletas y ajusta la temperatura del horno de forma adecuada: a) Si las galletas estn un poco crudas, entonces la temperatura del horno debe ser media b) Si las galletas estn medio hechas, entonces la temperatura del horno debe ser alta c) Si las galletas estn doraditas, entonces la temperatura del horno debe ser baja Tras diversas entrevistas con la abuela se han podido establecer los siguientes conjuntos difusos sobre un ndice cromtico especial (0=galleta cruda, 10=galleta chamuscada) y la temperatura del horno.

Ejemplo

Introduccin

47

ndice cromtico correspondiente a las galletas Un poco crudas =(0/0 .5/1 1/3 1/4 .5/6 0/7) Medio hechas = (0/3 1/5 1/6 0/8) Doraditas = (0/5 1/7 1/8 0/9) Temperatura del horno (C) Baja= (0/150 1/160 1/180 0/190) Media= (0/170 1/190 1/210 0/230) Alta= (0/210 1/220 1/240 0/250) Suponiendo que se interpretan las reglas como implicaciones de Mamdani y se construye un sistema para control automtico de la temperatura del horno basado en las reglas , y suponiendo que en cierto momento el ndice cromtico de las galletas es de 6, se pide determinar la temperatura del horno, si se utiliza la tcnica del centro de rea.

Introduccin

48

Introduccin

49

Introduccin

50

Introduccin

51

Introduccin

52

Introduccin

53