Clase #28 BASE DE CONOCIMIENTO

UNIDAD III. Representacin del Conocimiento: Modelos Estructurados.

- Representacin de la Incertidumbre.
- Lgica Difusa o Borrosa
- Modelo de Hjek

Lgica Difusa o Borrosa:

Orientada a problemas con valores difusos.

Fuzzy set - Zadeh. 1965

Lgica de la posibilidad o posibilstica - Zadeh. 1978

No todo es probabilstico, ni siquiera como probabilidad subjetiva, pues exigira un

comportamiento aleatorio.

Ejemplo:

Color de una fruta, la turbiedad del agua, el tamao de un animal.

Definicin:

U - Universo de elementos
C - Conjunto o clases de U
Fc(X) --> [0,1] : funcin de pertenencia de X a C

Operaciones:

1. Conjuncin:

Fc1 & c2 (X) = Min(Fc1(X), Fc2(X))

Observar que coincide con MYCIN. Realmente en MYCIN se us

conscientemente esta frmula.

2. Negacin:

F~c(X) = 1 - Fc(X)

3. Disyuncin:

Fc1 v c2 (X) = Max(Fc1(X), Fc2(X))

4. Contribucin o Propagacin:

En e -> h con Fh/e(X), propagndose Fe/E(X), entonces:

Fh/E(X) = Min(Fh/e(X), Fe/E(X))

5. Acumulacin de Evidencias:

1
Clase #28 BASE DE CONOCIMIENTO

En e1 -> h con Fh/e1(X) y e2 -> h con Fh/e2(X), entonces:

Fh/e1&e2(X) = Max(Fh/e1(X), Fh/e2(X))

Ejemplo:

h - Hay ladrones.
e1 - Alarma lser.
e2 - Alarma mecnica.

Fh/e1 = 0.9 Fe2/E = 1.0

Fh/e2 = 0.5 Fe1/E = 0.6

Si se suponen esos valores como una interpretacin difusa en el intervalo [0,1], entonces
la certeza inferida se calculara como sigue:

Fh/E:e1 = Min(Fh/e1, Fe1/E) = Min(0.9, 0.6) = 0.6

Fh/E:e2 = Min(Fh/e2, Fe2/E) = Min(0.5, 1.0) = 0.5

Fh/E:e1&e2 = Max(Fh/E:e1, Fh/E:e2) = Max(0.6, 0.5) = 0.6

6. Caractersticas de la Lgica Difusa:

Aplicable a problemas difusos.

Muy simple.

Establece los lmites mnimos a ser inferidos.

Acepta redundancia o no independencia entre los antecedentes.

Modelo de Hajek:

Realizado aproximadamente en el ao 1985 a partir del anlisis matemtico del

fenmeno de la propagacin de la certeza.

Definicin: e -> h / Wh/e

Wh/e se tiene en [-D,D]
Ejemplo: en MYCIN D = 1

Operaciones:

1. Negacin:

Neg(X) = -X

2. Conjuncin:

Conj(X,Y) = Sugiere la Difusa

3. Contribucin o Propagacin:

2
Clase #28 BASE DE CONOCIMIENTO
Debe cumplir que:

0 <= Ctr(We, Wh/e) <= Wh/e si We, Wh/e >= 0

Wh/e <= Ctr(We, Wh/e) <= 0 si We >= 0, Wh/e <= 0
Ctr(We, Wh/e) = 0 si We <= 0

Se sugiere una interpretacin Difusa como sigue:

Min(We, Wh/e) si We, Wh/e > 0

Ctr(We, Wh/e) = -Min(We, - Wh/e) si We > 0, Wh/e <= 0

0 si We <= 0

Esta interpretacin Difusa lo es considerando el intervalo [-D,D].

4. Acumulacin de Evidencias:

Propone utilizar alguna funcin Global. Existen infinitas funciones Global, las cuales
deben ser asociativas, conmutativas y cumplir (en el intervalo [-D,D]):

Y <= Global(X,Y) <= 1 si 0 < X <= Y

-1 <= Global(X,Y) <= Y si Y <= X < 0
0 <= Global(X,Y) <= Y si X < 0 < Y, |X| < |Y|
X <= Global(X,Y) <= 0 si X < 0 < Y, |X| > |Y|

Global(X,-X) = 0 si |X| < 1

Global(X,0) = X
Global(1,X) = 1
Global(X,-1) = -1
Global(1,-1) = indefinido

Hacer un anlisis geomtrico y semntico de cada condicin anterior.

Ejemplificar lo anterior con la teora de la confirmacin.

Explicar que Global(1,-1) = indefinido pues los SE deben ser consistentes (no
contradictorios). Esto exige validar la BC.

Ejemplos de Funciones Global:

CF(h/E: e1 & e2) de la teora de la confirmacin.

X+Y

Global(X,Y) = --------- (el utilizado por PROSPECTOR)
1 + X*Y

Diferencia:

La sensibilidad a la acumulacin de las evidencias. Las dos frmulas anteriores son las
de mayor sensibilidad, lo cual es lgico como modelos probabilsticos, al exigir
independencias y exclusiones. No obstante, el de PROSPECTOR es, de los Globales
ms usados, el de mayor sensibilidad.

Ejemplo:

h - Hay ladrones.

3
Clase #28 BASE DE CONOCIMIENTO
e1 - Alarma lser.
e2 - Alarma mecnica.

Si se consideran los coeficientes de certezas como valores tomados en el intervalo [-

1,1], entonces:

Wh/e1 = 0.9 We2/E = 1.0

Wh/e2 = 0.5 We1/E = 0.6

Wh/E:e1 = Min(Wh/e1, We1/E) = Min(0.9, 0.6) = 0.6

Wh/E:e2 = Min(Wh/e2, We2/E) = Min(0.5, 1.0) = 0.5

- Si se quisiera acumular segn MYCIN, entonces sera:

Wh/E:e1&e2 = Global(Wh/E:e1, Wh/E:e2) = 0.6 + 0.5 - 0.6 * 0.5 = 0.80

- Pero, si se quisiera acumular las certezas obteniendo la mxima sensibilidad,

entonces debe emplearse el Global de PROSPECTOR:

Wh/E:e1&e2 = Global(Wh/E:e1, Wh/E:e2) = (0.6 + 0.5) / (1 + 0.6 * 0.5) =

0.84

Como puede observarse, con este Global se obtiene el mayor valor de certeza entre
todos.

Actividades para el estudiante:

Estudiar los conceptos planteados en la clase.

Qu veremos en la siguiente clase?

- Representacin de la Incertidumbre.
- Razonamiento Aproximado.