ESCUELA DE ELECTRONICA
FACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA
UNIVERSIDAD NACIONAL DE ROSARIO
CONTROL AVANZADO II
MATEMATICA DEL
CONTROL FUZZY
Octubre 2010
INDICE
1
1.2
1.3
Funcin caracterstica_______________________________________________________________ 4
Funcin de pertenencia______________________________________________________________ 5
2.2
2.3
3.2
3.3
3.4
4.2
4.3
Bibliografa___________________________________________________________________________ 20
Control Avanzado II
Pgina 2 de 20
Conjuntos clsicos
1.1
Se define como conjunto a un grupo de elementos de cualquier clase. En la teora clsica los
conceptos de conjunto y elemento son primitivos, es decir, no se encuentran definidos en
trminos de otros conceptos.
Un conjunto clsico queda completamente especificado por los elementos que el mismo
contiene. Adems, para cualquier elemento perteneciente al campo de referencia tambin
denominado universo de discurso puede determinarse sin ambigedades si el mismo
pertenece o no pertenece a un determinado conjunto.
Un conjunto puede ser finito, contable o incontable. Puede describirse con el listado
completo de sus elementos o enunciando la propiedad que define la pertenencia de los
elementos al conjunto. Los siguientes ejemplos ilustran algunos de estos casos:
A = { 0, 1, 2, 3, 4}
conjunto finito
AU B = B U A
Asociativa
AI B = B I A
Distributiva
( A U B) U C = A U ( B U C )
( A I B) I C = A I ( B I C )
A I ( B U C ) = ( A I B) U ( A I C )
A U ( B I C ) = ( A U B) I ( A U C )
Control Avanzado II
Pgina 3 de 20
A UU = U
Absorcin
Contradiccin
1.3
Identidad
AU = A
AI =
A IU = A
A I A =
Tercio excluido A U A = U
Funcin caracterstica
Para definir un conjunto es posible enumerar sus elementos o enunciar un predicado que
defina aquella propiedad que es cumplida por todos sus elementos. Existe una tercera
posibilidad para enunciar la definicin de un conjunto A: usar su funcin caracterstica A.
Sea A un conjunto definido en el dominio X, se define la funcin
A(x): X {0, 1}
como funcin caracterstica del conjunto A si para todo x perteneciente al dominio X se cumple
que
1
0
A(x) =
si x A,
si x A.
(1.1)
(1.2)
(1.3)
(1.4)
AB(x) = A(x).B(x)
(1.5)
(1.6)
Para el caso de la operacin unin tambin es posible definir una funcin alternativa para
representarla, se la denomina OR-probabilstico:
(1.7)
Las funciones que normalmente se utilizan para definir la operacin interseccin, como (1.3)
y (1.5), son normas triangulares. Las funciones que normalmente se utilizan para definir la
operacin unin, como (1.4) y (1.7), son co-normas triangulares.
Control Avanzado II
Pgina 4 de 20
Conjuntos fuzzy
2.1
Funcin de pertenencia
A(x): X [0, 1]
(2.1)
De este modo, cada elemento x de X tiene un grado de pertenencia A(x) [0, 1]. El
conjunto fuzzy A queda completamente determinado por el conjunto de t-uplas
A = {(x, A(x)) / x X}
(2.2)
A(x) / x
(2.3)
xX
A(x) / x
(2.4)
donde los smbolos de sumatoria o integral indican enumeracin, y la barra inclinada indica
t-upla.
Se concluye entonces que un conjunto fuzzy en un universo X queda completamente
definido a travs de su funcin de pertenencia en dicho dominio.
Ejemplos:
1) Universo discreto
X=N
2) Universo continuo
X=R
Control Avanzado II
Pgina 5 de 20
A(x) / x
x6
1
3
A(x) =
1
1-sqrt(abs(x-6)3)
0.8
si 3 x 9
0.6
si x < 3 x > 9
A=
0.4
0.2
0
0
2.2
6
x
10
12
- Funciones Triangulares
A(x) =tringulo(x; a, b, c)
Grado de pertenencia
0.8
(c-x)/(c-b)
(x-a)/(b-a)
0.6
0.4
0.2
0
a
-1
-0.8
-0.6
b
-0.4
-0.2
0
x
c
0.2
0.4
0.6
0.8
- Funciones Trapezoidales
1
A(x) =trapecio(x; a, b, c, d)
Grado de pertenencia
0.8
(x-a)/(b-a)
(d-x)/(d-c)
0.6
0.4
0.2
0
a
-1
Control Avanzado II
-0.8
-0.6
b
-0.4
-0.2
0
x
0.2
d
0.4
0.6
0.8
Pgina 6 de 20
( x c ) 2
2
Grado de pertenencia
0.8
0.6
0.4
sigma = 0.2
c=0
0.2
0
-1
-0.8
1
xc
1+
a
-0.4
-0.2
0
x
0.2
0.4
0.6
0.8
2b
0.8
Grado de pertenencia
-0.6
0.6
a = 0.4
b=2
0.4
c=0
0.2
0
-1
-0.8
-0.6
-0.2
0
x
0.2
0.4
0.6
0.8
0.8
- Funciones Sigmoides
1
1
1 + e a ( x c )
0.8
Grado de pertenencia
-0.4
0.6
0.4
a = 13
c = -0.4
0.2
0
-1
Control Avanzado II
-0.8
-0.6
-0.4
-0.2
0
x
0.2
0.4
0.6
Pgina 7 de 20
A(x) =dif_sigma(x; a1, c1, a2, c2)=sigma(x; a1, c1) sigma(x; a2, c2)
Funcin de Pertenencia Diferencia de Sigmoides
1
Grado de pertenencia
0.8
0.6
0.4
0.2
a1=-0.5
a2=0.6
c1=10
c2=10
0
-1
-0.8
-0.6
-0.4
-0.2
0
x
0.2
0.4
0.6
0.8
A(x) =prod_sigma(x; a1, c1, a2, c2)=sigma(x; a1, c1) . sigma(x; a2, c2)
Funcin de Pertenencia Producto de Sigmodes
1
Grado de pertenencia
0.8
0.6
0.4
a1=-0.6
c1=10
0.2
a2=0.5
c2=-20
0
-1
2.3
-0.8
-0.6
-0.4
-0.2
0
x
0.2
0.4
0.6
0.8
A(x) = 1 A(x)
Control Avanzado II
(2.5)
Pgina 8 de 20
- Interseccin de A y B,
(2.6)
AB(x) = A(x).B(x)
(2.7)
(2.8)
(2.9)
En el caso de conjuntos clsicos es indistinto el uso de una u otra definicin para encontrar
la funcin caracterstica del conjunto resultado de la interseccin o la unin de conjuntos. Esta
condicin no se cumple en el caso de trabajar con conjuntos fuzzy y sus funciones de
pertenencia. He aqu algunos ejemplos utilizando las definiciones (2.5), (2.6) y (2.8):
1
A(x)
B(x)
1
A (x)
AB(x)
AB(x)
AA (x)
AA (x)
En los ejemplos anteriores puede observarse que no se cumplen las leyes de contradiccin y
del tercio excluido definidas para conjuntos clsicos (ver punto 1.2).
Control Avanzado II
Pgina 9 de 20
Relaciones y Reglas
3.1
Producto cartesiano
Dados los universos X e Y, se define como producto cartesiano XxY al conjunto de todos los
pares ordenados (x, y) tales que x pertenezca a X e y pertenezca a Y. Esta definicin puede
expresarse de la siguiente manera:
XxY = {( x, y ) / x X y Y }
El producto cartesiano XxY es un nuevo universo, el universo de todos los pares ordenados
(x, y).
3.2
La relacin est formada por los puntos del plano que pertenecen a la parbola y = x 2 .
Luego es sencillo comprobar que (0,0) R , (2,4) R , y (3,5) R .
2) Sean los universos X = Y = Z = R
Se puede definir la relacin R = {( x, y, z ) / x X y Y z Z z = 3x + 2 y + 1}
El producto cartesiano puede generalizarse a n universos, y el mismo estar integrado
por n-uplas. Luego la relacin R estar formada por un subconjunto de n-uplas del
producto cartesiano.
Siendo la relacin R un conjunto, es posible definir su funcin caracterstica R(x, y) de
manera tal que
1
0
R(x, y) =
si ( x, y ) R,
si ( x, y ) R.
(3.1)
De este modo, para la relacin definida en el ejemplo 1 vale que R(0, 0) = 1 y R(3, 5) = 0.
3.3
Relaciones fuzzy
Dados los universos X e Y, y el producto cartesiano XxY , se define una relacin fuzzy R a
travs del enunciado de su funcin de pertenencia R(x, y)
Control Avanzado II
(3.2)
Pgina 10 de 20
De este modo, cada par (x, y) de XxY tiene un grado de pertenencia R(x, y) [0, 1]. De
manera anloga a los conjuntos fuzzy se indica para el caso de dominios discretos:
R=
R(x, y) / (x, y)
(3.3)
( x , y ) XxY
XxY
R(x, y) / (x, y)
(3.4)
donde los smbolos de sumatoria o integral indican enumeracin, y la barra inclinada indica
t-upla.
Ejemplo con universos continuos:
X = Y = [0, 2]
R : x es mucho ms grande que y
R ( x, y ) =
uR(x,y)
1
1 + e 3( x y )
0.8
0.6
0.4
0.2
2
0
2
1.5
1
y
3.4
0.5
Implicaciones y reglas
El motor de inferencia del controlador fuzzy cuenta con una base de reglas a partir de las
cuales define el valor de salida correspondiente a un determinado valor en las entradas. Cada
una de las reglas que componen la base de reglas es del tipo SI-ENTONCES (IF-THEN), y se
representan como:
(3.5)
(3.6)
Pgina 11 de 20
donde
XxY
R(x, y) / (x, y) =
XxY
Hay varias propuestas para determinar R(x, y), aunque la ms utilizada en el desarrollo de
controladores por sus resultados y facilidad en su aplicacin es la llamada implicacin de
Mamdani, que propone
R=
XxY
R(x, y) / (x, y) =
XxY
(3.7)
y en consecuencia, segn la operacin que se utilice para representar la norma triangular (*), se
podrn definir
R=
(3.8)
R=
(3.9)
XxY
XxY
Ejemplo:
Retomando la regla
R: SI < e es PB > ENTONCES < u es PM >
donde
e E = [-1, 1]
PB(e): E [0, 1]
u U = [-10, 10]
PM(u): U [0, 1]
PM
1
0.8
0.8
Grado de pertenencia
Grado de pertenencia
PB
1
0.6
0.4
0.6
0.4
0.2
0.2
-1
-0.8
Control Avanzado II
-0.6
-0.4
-0.2
0
e
0.2
0.4
0.6
0.8
-10
-8
-6
-4
-2
0
u
10
Pgina 12 de 20
Control Avanzado II
Pgina 13 de 20
Razonamiento Aproximado
4.1
xX
R ; R(x, y)
(x, y) XxY
B ; B(y)
yY
datos
resultado
X = [0 10]
0.9
x 5
1.5
0.7
0.6
uA(x)
1+
0.8
0.5
0.4
0.3
0.2
0.1
0
5
x
10
ii) La relacin R representa una regla del tipo SI-ENTONCES como la siguiente:
R: SI < x es A > ENTONCES < y es B >
R: SI x es A ENTONCES y es B
X = [0 10]
0.8
Y = [0 40]
uR(x,y)
0.6
0.4
0.2
0
40
30
10
8
20
10
2
0
Control Avanzado II
Pgina 14 de 20
c(A)(x,y) =A(x)
1
0.8
0.6
0.4
0.2
0
40
30
10
8
20
y
6
4
10
2
0
0.8
0.6
0.4
0.2
0
40
30
10
8
20
y
6
4
10
2
0
0.8
0.6
0.4
0.2
0
40
30
10
8
20
y
6
4
10
2
0
Control Avanzado II
Pgina 15 de 20
uB(y)
0.6
0.5
0.4
0.3
0.2
0.1
0
10
15
20
y
25
30
35
40
(4.1)
(4.2)
4.2
Modus Ponens
Existe en lgica una regla bsica de inferencia denominada Modus Ponens (o modus
ponendus ponens) que permite evaluar el siguiente razonamiento:
Si disponemos de la regla A B , si se cumple A (A es verdadero) entonces se cumple B (B
es verdadero).
El siguiente ejemplo ilustra el uso de modus ponens para inferir una conclusin:
Premisa 1
A: El tomate es rojo
(hecho)
Premisa 2
(regla)
Control Avanzado II
(consecuencia)
Pgina 16 de 20
Esta regla permite inferir resultados tambin para el caso aproximado, en el que se parte de
una premisa A que es parecida a la premisa A pero no exactamente igual. En este caso el
ejemplo anterior sera:
Premisa 1
(hecho)
Premisa 2
(regla)
(consecuencia)
x es A
Si x es A, entonces y es B
Si x es A, entonces y es B
y es B
y es B
4.3
Razonamiento fuzzy
(4.3)
o en forma equivalente
B = A R = A ( A B )
Entrada: x es A ;
R: SI < x es A > ENTONCES < y es B > ;
Salida: y es B.
= min {w, B ( y )} = w B ( y )
donde
Control Avanzado II
Pgina 17 de 20
w = max [ min( A ' ( x), A ( x)) ] ; w es el grado de compatibilidad del antecedente, tambin
x
0.9
0.9
0.8
A(x)
0.7
0.7
0.6
0.6
0.5
0.4
0.5
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
-1
B(y)
0.8
A'(x)
-0.75
-0.5
-0.25
0
x
0.25
0.5
0.75
B'(y)
0
-1
-0.75
-0.5
-0.25
0
y
0.25
0.5
0.75
Entradas: x es A ; y es B ;
R: SI < x es A > Y < y es B > ENTONCES < z es C > ;
Salida: z es C.
R ( x, y, z ) = A ( x ) B ( y ) C ( z )
C ' ( z ) = w1 w2 C ( z )
w1 w2 = peso del disparo
1
0.8
A(x)
A'(x)
0.8
0.6
0.4
0.2
0.2
B'(y)
B(y)
0
x
0.25
0.5
0.75
0
-1
0.8
w1
0.6
0.4
0
-1
min
C(z)
0.6
w2
C'(z)
0.4
0.2
0
y
0.25
0.5
0.75
0
-1
0
z
0.25 0.5
0.75
Entradas: x es A ; y es B ;
R1: SI < x es A1 > Y < y es B1 > ENTONCES < z es C1 > ; Salida de R1: z es C1 ;
R2: SI < x es A2 > Y < y es B2 > ENTONCES < z es C2 > ; Salida de R2: z es C2 ;
Salida: z es C = C1 I C2 .
Control Avanzado II
Pgina 18 de 20
min
1
A1'(x)
A1(x)
0.8
0.8
0.6
B1'(y)
0.8
0.6
0.4
0.4
0.2
0.2
0
-1 -0.75 -0.5 -0.25
0
x
0
-1
0.8
0.8
A2'(x)
0.2
-0.75 -0.5 -0.25
0
y
0
-1
B2'(y)
0.8
0.4
0.4
0.2
0.2
0.2
0
-1
C2(z)
0.4
0
x
0
z
0.6
0
-1 -0.75 -0.5 -0.25
B2(y)
0.6
C1'(z)
0.4
A2(x)
C1(z)
0.6
0.6
B1(y)
0
y
0
-1
C2'(z)
0
z
0.8
0.6
C'(z)
0.4
0.2
0
-1
Control Avanzado II
0
z
Pgina 19 de 20
Bibliografa
Fuzzy Logic
Lofti A. Zadeh
IEEE, 1988
Control Avanzado II
Pgina 20 de 20