A = {( x , µ A ( x ) ) x ∈ X } (C.1)
Conjunto α-corte marcado: Aα’ de un conjunto difuso A al todos los puntos x para los
que se cumple Aα′ = {x µ A (x) > α }
Convexidad: Un conjunto es convexo si y solo si para cualesquiera x1, x2 ∈ X y
cualquier λ∈ [0,1] se cumple que µ A ( λ x1 + (1 − λ ) x 2 ) ≥ min {µ A ( x1 ), µ A ( x 2 )} . Se dice
que un conjunto es convexo si todos sus conjuntos de nivel α son convexos.
Grado de pertenencia
0.5
Centro
Puntos de cruce
Apoyo
Figura C.1. Algunas características de un conjunto difuso
Números difusos: Es un conjunto difuso en la recta real (R) que satisface las
condiciones de normalidad y convexidad, la función de pertenencia es continua a
trozos y el centro del centro del conjunto difuso consiste de un único valor.
Intervalo difuso: Un conjunto difuso es un intervalo difuso si en la recta real (R) que
satisface las condiciones de normalidad y convexidad y la función de pertenencia es
continua a trozos.
Simetría: Un conjunto difuso es simétrico si alrededor de un punto x=c se cumple
µ A (c + x) = µ A (c − x) , para todo x ∈ X
Conjunto difuso abierto a la derecha: Un conjunto difuso A es abierto a la derecha si
cumple que lim x→ −∞ µ A ( x) = 1 y lim x → +∞ µ A ( x ) = 0
Conjunto difuso abierto a la izquierda: Un conjunto difuso A es abierto a la izquierda si
cumple que lim x →−∞ µ A ( x) = 0 y lim x → +∞ µ A ( x ) = 1
Conjunto difuso cerrado: Un conjunto difuso A es cerrado si cumple que
lim x →−∞ µ A ( x ) = lim x →+∞ µ A ( x ) = 0
224 Apéndice C
Ancho de conjuntos difusos normales y convexos: Esta definido como la distancia entre los
dos únicos puntos de cruce Ancho ( A) = x 2 − x1 , donde µA(x1)= µA(x2)=0.5
Operación Definición
A es subconjunto de B si y solo si µA(x)≤ µB(x), para todo
Contención o Subconjunto x.
A ⊆ B ⇔ µ A ( x) ≤ µ B ( x)
La unión de los conjuntos difusos A y B es el conjunto
difuso C, y se escribe como C = A ∪ B o C=A OR B, su
Unión función de pertenencia está dada por
µ C ( x) = max (µ A ( x), µ B ( x) ) = µ A ( x) ∨ µ B ( x)
La intersección de los conjuntos difusos A y B es el
conjunto difuso C, y se escribe como C = A ∩ B o
Intersección
C=A AND B, su función de pertenencia está dada por
µ C ( x) = min (µ A ( x), µ B ( B ) ) = µ A ( x) ∧ µ B ( x)
El complemento del conjunto difuso A, denotado por Ā
Complemento (negación) (¬ A, NOT A), se define como
µ A ( x) = 1 − µ A ( x)
Si A y B son conjuntos difusos en X y Y, el producto
cartesiano de los conjuntos A y B A x B en el espacio X x
Producto Cartesiano Y tiene la función de pertenencia
µ A× B ( x, y ) = min (µ A ( x ), µ B ( y ) )
A + B en el espacio X x Y tiene la función de pertenencia
Co-producto Cartesiano
µ A× B ( x , y ) = max (µ A ( x ), µ B ( y ) )
Para un conjunto difuso A
µ A (x ) , para x ∈ U
Norma µ Norma ( A ) (x ) =
max[µ A ( x )]
Modificador del conjunto difuso A, hace más estrecha la
función de pertenencia
Concentración
µ Conc ( A ) ( x ) = (µ A ( x ))2 , para x ∈ U
Modificador del conjunto difuso A, hace más ensancha la
función de pertenencia
Dilatación
µ Dilat ( A ) ( x ) = (µ A ( x ))0.5 , para x ∈ U
Apéndice C 225
C.4. Desfusificación
Los problemas basados en conjuntos difusos se originan de la utilización de
calificaciones lingüísticas. Luego de formar los conjuntos difusos correspondientes
a un determinado problema es necesario obtener una respuesta de estos. En
muchos casos es importante que esta respuesta no sea difusa y se debe pasar de
una respuesta difusa a una que no lo es. Para lograr esto se ha desarrollado el
concepto de Desfusificación. Se han propuesto varios métodos para lograr esta
transformación, algunos de ellos se explican a continuación. El método de
desfusificación debe ser escogido de acuerdo con la aplicación que se desea hacer
(Jang et al. 1997).
Valor desfusificado = X =
∑Ax i i
(C.2)
∑A i
ó
∫µ A ( x) xdx
COA = X
∫µ
X
A ( x) dx
{
Bmax = y ∈ Y µ ( y ) = max µ B ( z )
z∈Y
} (C.4)
1
y0 ( B ) =
N
∑y
y∈Bmax
(C.5)
1
y0 ( B ) = ∑ yµ B ( y ) (C.6)
∑µ B ( y ) y∈Bmax
µ R ( x, y ) = f ( µ A ( x ), µ B ( y )) = f ( a , b ) (C.7)
Apéndice C 227
C.7. Aplicaciones
La teoría de conjuntos difusos ha sido ampliamente aplicada en campos como: la
Medicina, Economía, Ecología y Biología. Se ha empleado en empresas de
producción de artículos eléctricos y electrónicos como una herramienta de control,
se ha utilizado para el desarrollo de procesadores y computadoras.
Los conjuntos difusos son usados para toma de decisiones y estimaciones
en Sistemas de Control como son: aire acondicionado, control de automóviles y
controladores en sistemas industriales.
En el campo de la Ingeniería Civil, la lógica difusa esta siendo aplicada
también en control de cierre de compuertas en presas (Chile), control de tráfico
(Puerto Rico), control de secaderos de hoja de tabaco (Cuba), control de balanceo
en puentes grúa control de nivel de líquidos en contenedores y se espera que su
aplicación se generalizará de manera muy notable en los próximos años.
La evolución del daño sísmico fue estudiada por Song, Hao, Murakami y
Sadohara (1996) utilizando lógica difusa. Zhao y Chen (2002) propusieron un
sistema difuso para el diagnóstico del daño en puentes de hormigón armado. Ellos
construyen unas funciones de pertenencia de las variables de entrada con un
algoritmo de fuzzy partitioning e induciendo reglas difusas de los datos numéricos.
El diagnóstico se basa en tres tipos de factores: factores de diseño, como tipo
estructural, longitud de las luces, ancho del tablero y cantidad de luces; factores
ambientales como humedad y precipitación, clima de la región, volumen de tráfico
y variaciones de temperatura; y otros factores como edad de la estructura, clase y
localización de los daños. Finalmente, Ahlawat y Ramaswamy (2001) propusieron
228 Apéndice C
C.8. Referencias
Ahlawat A.S., y Ramaswamy A. (2001). Multiobjective optimal structural vibration control
using a fuzzy logic control system. Journal of Structural Engineering 127(11), pp. 1330–
1337.
Anoop M.B., Rao K.B., y Rao T.V.S.R.A. (2002). Application of fuzzy sets for estimating
service life of reinforced concrete structural members in corrosive environments.
Engineering structures, 24 (2002) pp. 1229-1242.
Jang J.-S.R., Sun C. –T., y Mizutani E. (1997). Neuro-Fuzzy and soft computing. A
computational approach to learning and machine intelligence. London, UK: Prentice-Hall.
Kosko B. (1992). Neural Networks and Fuzzy Systems: A dynamical systems approach to machine
intelligence. Englewood Cliffs, NJ: Prentice Hall.
Martín del Brío B. y Sanz A. (2001). Redes neuronales y sistemas borrosos. Ra-Ma Editorial,
Madrid, España.
Nauck D., Klawonn F., & Kruse R. (1997). Foundations of neuro-fuzzy systems. Chichester,
England: John Wiley & Sons.
Rutkowska D. (2002). Neuro-fuzzy architectures and hybrid learning, Physica Verlag,
Heidelberg, Germany.
Song Bo, Hao S., Murakami S. & Sadohara S. (1996). Comprehensive evaluation method
on earthquake damage using fuzzy theory, Journal of Urban Planning and Development,
122, 1, pp. 1-31.
Zadeh L.A. (1965). Fuzzy sets. Information and control, 8, 338-353.
Zadeh L.A. (1975). The concept of a linguistic variable and its application to approximate
reasoning, Information science, Part I, Vol. 8, pp.199-249, Part II, Vol.8, pp.301-357,
Part III, Vol. 9, pp. 43-80.
Zadeh L.A. (1992). Fuzzy logic, neural networks and soft computing. One-page course
announcement of CS 294-4, Spring 1993, the University of California at Berkeley.
Zadeh L.A. (1996). Fuzzy logic and the calculi of fuzzy rules and fuzzy graphs: a precis, Multiple
Valued Logic. Vol 1, pp. 1-38.
Zhao Z., & Chen C. (2002). A fuzzy system for concrete bridge damage diagnosis.
Computers & Structures, 80, pp. 629-641.