Anda di halaman 1dari 7

MODELO: INFERENCIA

TAKAGI-SUGENO-
TSUKAMOTO

20 DE OCTUBRE DE 2014
JIM TOM RIVERA CACERES
Decimo semestre
Sistema de Inferencia tipo Sugeno

I. Propuesto por Takagi, Sugeno y Kang(1985,1988).


II. Tratan de desarrollar una técnica sistemática de generación de reglas.
III. Modelo
Si x es A y y es B entonces z=f(x,y)
Donde z=f(x,y) es una función certera
polinomial de las entradas.

IV. Si x es A y y es B entonces z=f(x,y)


Donde z=f(x,y) es una función certera polynomial de las entradas.
V. Si es de primer orden, entonces es un modelo tipo Sugeno de primer orden.
VI. Las reglas quedan como:
Si x1 es A y y1 es B entonces z1 = p1 x1 + q1 y1 + r1
Si x2 es A y y2 es B entonces z2 = p2 x2 + q2 y2 + r2
VII. En un sistema de primer orden, el valor certero es el promedio de los pesos, es decir
z= w1z1 + w2z2 /w1+w2

Resumen - En este trabajo se propone una metodolo de la identificación de la estructura y los


parámetros de un modelo borroso del tipo Takagi-Sugeno. El algoritmo serealiza en dos pasos :
Sintonía gruesa y sintonía sintonía gruesa, la identificación de la estructura del modelo está
basada en la obtención de las derivadas parciales de la salida con respecto a las entradas. Luego,
se forman grupos borrosos con el método "Fuzzy C-means" y se obtiene los parámetros que
definen los conjuntos borrosos de entrada.
Usando el método tradicional de Takagi y Sugeno [7] seobtiene los parámetros del consecuente.
En la sintonía fina se utiliza un método de optimización no lineal tradicional para ajustar en
forma conjunta los parámetros del antecedente y del consecuente. Finalmente se muestran
algunos ejemplos para validar la metodología propuesta.
La mayoría de las propuestas modernas de control están basadas en un modelo del proceso
bajo consideración, por lo que el modelado y la identificación son etapas importantes en el
diseño de sistemas de control. Para satisfacer los requerimientos de calidad en los productos,
el sistema de control debe garantizar la operación del proceso con un buen desempeño sobre
un rango amplio de condiciones de operación. Cuando se considera la totalidad del rango de
operación, la mayoría de los procesos exhiben
un comportamiento fuertemente no lineal y por lo tanto no pueden ser descriptos empleando
modelos lineales
convencionales. De aquí surge la necesidad de obtener modelos de sistemas no lineales en forma
rápida y sencilla, y que además puedan ser utilizados para los distintos controladores de alto
desempeño. El objeto de este trabajo es presentar una metodología para la obtención de un
modelo borroso que tiene la característica que se pueda emplearse en tales controladores.
El concepto de identificación implica el empleo de técnicas que permiten construir modelos
matemáticos a partir de la información contenida en un conjunto de datos de entrada y salida
del sistema. En general [6], el proceso de identificación se realiza en tres etapas : 1)
Identificacióndel medio ambiente (identificación del la estructura del tipo I en [6]); 2)
identificación de la estructura (identificación del la estructura del tipo II en [6]) y la
identificación de los parámetros. En la identificación de laestructura el problema consiste en
encontrar las variable de entrada, esto es, las variables que afectan la salida en forma
significativa. La identificación de la estructura está definida por la relación de entrada - salida
y depende del modelo borroso usado. Esta implica encontrar la partición del espacio de entrada
- salida. Las reglas de la forma "si -entonces" tienen dos estructuras, la estructura del
antecedente y la estructura del consecuente.
El modelo borroso propuesto por Takagi y Sugeno [7]puede representar o modelar toda clase
de sistemas
estáticos o dinámicos no lineales. En este modelo las reglas son de la forma

donde wi es el grado de verdad (valor de pertenencia) de la regla i - ésima. El modelo borroso


de Takagi-Sugeno está basado en una "partición borrosa" del espacio de entrada y se lo puede
interpretar como una extensión de la linealización por sectores. La identificación de la
estructura de las premisas consiste en encontrar los diferentes conjuntos borrosos que dividen
el espacio de entrada.
Generalmente, se eligen para cada variable de entrada conjuntos borrosos de una dimensión y
se realiza una composición con del conectivo lógico "y" (AND),
resultando

Los parámetros del consecuente son los usados por (2) y los parámetros del antecedente son los
que definen los conjuntos borrosos que particionan el espacio de entrada.
Debido a que la identificación de la estructura y de los parámetros no puede realizarse
separadamente, el proceso de identificación en general se convierte en uno muy complejo, por
lo que debe ser realizado en aproximaciones sucesivas para obtener el resultado deseado. En el
artículo original de Takagi - Sugeno [7], la identificación del modelo borroso descrito por (1-
4) se realiza iterativamente de la siguiente manera : Primero, se asumen los parámetros de las
premisas; segundo, los parámetros del consecuente son ajustados óptimamente con respecto a
un criterio de error; tercero, los parámetros de las premisas son re -ajustados iterativamente
a través de un algoritmo complejo.
Sin embargo, la implementación de tal algoritmo no es una tarea sencilla, debido a que la
solución para determinar las funciones de pertenencia óptimas incluye un problema de
programación no lineal. Otra manera de obtener la estructura es considerar las premisas de
entrada y encontrar una partición óptima para cada variable de entrada basadas en cierto
criterio. Luego se realiza una composición de todos los conjuntos borrosos de entrada
utilizando todas las posibles combinaciones. Este proceso tiene la desventaja de que el número
de reglas crece exponencialmente con el número de entradas. La propuesta de Sugeno y
Yasukawa [6] realiza una partición sobre la salida y por la asignación del valor de pertenencia
al dato
de entrada se obtiene un conjunto borroso de dimensión M.
A partir de este se realiza una proyección sobre cada una de las entradas obteniendo los
conjuntos borrosos de la premisa de las reglas. Este método posee la ventaja que el número de
reglas resultante es menor que el anterior. Pootra parte, el método posee el inconveniente de
perder información importante en el proceso de proyección del conjunto borroso de dimensión
M sobre las entradas.
En este trabajo se presenta una propuesta para la identificación de la estructura y parámetros
de un modelo del tipo Takagi-Sugeno. A través de funciones de normalización (tanto de las
entradas como de la salida) se mejora el desempeño del modelo. Se obtiene en forma conjunta
una primera aproximación (sintonía gruesa) de los parámetros tanto del antecedente como del
consecuente de las reglas. En esta primera aproximación el método propuesto no es recursivo,
ya que fijando el número de reglas se realiza en forma secuencial. La propuesta de
identificación de la estructura está basada en la obtención de las derivadas parciales de la salida
muestreada respect a las entradas y posteriormente con el método de formación de grupos
borrosos "Fuzzy C-Means" desarrollado en Bezdek, se obtienen los parámetros que definen
los conjuntos borrosos de entrada. Una vez obtenida una primera aproximación del modelo, a
través de un algoritmo de optimización, se realiza un ajuste fino del modelo (sintonía fina).
En la segunda sección se presenta el modelo borroso empleado y se desarrolla la propuesta
realizada. En la tercera sección se presentan ejemplos de aplicación. El trabajo finaliza con un
análisis de los resultados obtenidos, dándose las conclusiones y recomendaciones para futuras
investigaciones.
A. Modelo empleado El modelo borroso propuesto es del tipo usado por Takagi y Sugeno (1),
El consecuente presenta funciones lineales (no borrosas) de las entradas del modelo como (2).
Se usan funciones de normalización sobre las entradas y la salida,
resultando

La salida del modelo, y n, se calcula como el promedio pesado de la contribución de cada regla

donde L es el número de reglas y w I es el grado de cumplimiento (Grado de pertenencia) de la


i - ésima regla. La entradas y salida normalizadas se obtienen como
Las funciones de normalización tienen como objetivo obtener la estructura del modelo e
incrementar el desempeño del mismo. Estas realizan una corrección de escala y una corrección
estadística de los datos. La función de normalización de salida debe tener inversa. La Fig. 1
muestra el esquema implementado.

B. Justificación del método. Suponiendo un sistema representado por una función continua
arbitraria de Mentradas y una salida dado por

Esto es que cualquier dato de entrada xn pertenece al entorno del punto xn i ()(para i = 1 a N)
que presenta la
distancia menor. Si un dato de entrada cualquiera está a la misma distancia (en forma mínima)
a más de un dato de entrada, se elige un entorno en forma arbitraria, de tal forma que
Se puede aproximar la salida yn para cualquier dato de entrada xn , si este pertenece al entorno
de x n i (), por medio de una aproximación de la serie de Taylor de primer orden, resultando

Este modelo con Nreglas (una regla por muestra) puede aproximar por medio de interpolación
cualquier salida para entradas cercanas a los puntos de muestra. Adicionalmente, un modelo
de este tipo tiene la forma del modelo borroso propuesto por Takagi-Sugeno. En lo que sigue,
al conjunto de Nreglas se lo refiere como reglas básicas. Cada regla básica queda totalmente
definida a través del vector de dimensión 2M+1 dado por

Se define la distancia entre dos reglas básicas como la distancia entre los vectores que las
especifican especifica la regla i -ésima. Si la distancia entre dos reglas es menor, es decir que el
conjunto de parámetros que la especifican están a menor distancia, entonces las reglas serán
más parecidas entre sí.
En general, en las aplicaciones no es útil un modelo borroso con tantas reglas como muestras,
por lo que se debe realizar un proceso de reducción del número de las mismas. Una alternativa
válida para la reducción es poder sintetizar en una regla grupos de reglas básicas próximas
entre sí. Para este propósito se utiliza el método de formación de grupos borroso "Fuzzy c-
Means".
El método de agrupamiento "Fuzzy c-Means", clasifica datos M- dimensionales en un número
Lde gruposb borrosos. Este asocia a cada dato x()k (para kde 1 a N) el grado de pertenencia w
I k()(para ide 1 a L) al i – ésimo grupo. También entrega un vector M - dimensional para cada
grupo. Este es conocido como el centrodel grupo y es un elemento representativo del mismo.
En el presente trabajo, la reducción del número de reglas se realiza con el método de
agrupamiento "Fuzzy C-Means".
Este método brinda una partición borrosa del espacio de entrada y, adicionalmente, elementos
representativos de los grupos de reglas.
C. Descripción del método de identificación .En este trabajo se suponen conocidas las variables
de entrada al sistema, esto es, no se considera la identificación del medio ambiente. Una
propuesta para identificar el medio ambiente se encuentra en [6]. Teniendo en cuenta que se
tienen identificadas las entradas del Sistema.

Sistema de Inferencia de Tsukamoto

I. Se usan funciones de membresia montonicas para la salida.


II. La salida la define la fuerza de disparo.
III. Ejemplo:
Si X es pequeño entonces Y es C1
Si X es mediano entonces Y es C2
Si X es grande entonces Y es C3
IV. Siempre nos da valores certeros aun cuando tengamos valores fusificados de
entrada.