La comprobación de la coherencia de los Sistemas Expertos Difusos

S.
K. Leung y Y. T. así
la Universidad China de Hong Kong

incoherencia frequen abstracta@ existe en un sistema experto basado en

reglas. Detectar la existencia de incongruencia en un entorno basado en
reglas fuzzy es difícil y puede ser diferente de la de los tradicionales
sistemas basados en reglas. Una medida de afinidad, que se basa en la
medida de similitud, se introdujo para determinar la similitud de dos
términos difusos. Mediante la medida de afinidad, las técnicas de
comprobación de coherencia en un entorno no-difusa puede aplicarse
fácilmente a un entorno difusa. Un comprobador de coherencia (CCFE) está
implementado para detectar posibles incoherencias en una mezcla confusa y
no-ambiente difusa.
KEYWORDS: sistema experto, difusa teoría, incoherencia, posibilidad de
distribución
I. INTRODUCCIÓN En el desarrollo de un sistema experto basado en reglas,
la ingeniería del conocimiento es un proceso iterativo. La base de
conocimiento debe ser refinado muchas veces. Cuando se agregan nuevas
normas o las normas existentes son alterados, la inconsistencia en la
base de conocimientos se produce a menudo.
Aunque Hayes-Roth [1] señaló que la falta de una característica clave de
los sistemas basados en reglas es "una adecuada metodología de
verificación o una técnica para comprobar la coherencia de la integridad
de un conjunto de reglas", muchas herramientas de software tales como
TERIRESIAS [2], la regla ONCOCIN-checker [3], inspec- TOR [4], [5] y el
CES han sido desarrollados para detectar incoherencias en la no-bases de
conocimiento borrosas. La ayuda de las herramientas de comprobación de
coherencia tanto el dominio y conocimiento de expertos ingenieros para
construir los sistemas expertos más fácil, precisa y rápida.
Sin embargo, la comprobación de incoherencia en un entorno basado en
reglas fuzzy [6-8] no es tan simple como que en un entorno no-difusa y
también puede ser diferente de la de los tradicionales sistemas basados
en reglas. Deje que la "altura" ser una
Dirección para correspondencia K. S. Leung, Departamento de Ciencia de la
computación, la Universidad China de Hong Kong, Shatin, N. T., Hong Kong.
Recibido el 30 de abril de 1991; aceptado el 12 de marzo de 1993.
Revista Internacional de Razonamiento Aproximado 1993; 9:263-282 © 1993
S. K. Leung 263

264 K.S. Leung y Y. T. tan

objeto borroso teniendo tres términos difusa (alto, medio, corto) como
sus posibles valores. Si el usuario introduce las dos reglas siguientes:
Regla 1" si la altura es alto entonces C Regla 2: Si la altura es corto,
entonces C no redundancia ocurre?
Considerar otro caso:
Regla 3: Si una continuación de altura es más o menos altos Regla 4: Si
una continuación de altura no es muy alto y no se produzca un conflicto?
Por lo tanto, sería mejor si pudiéramos aplicar una medida cuantitativa
sobre los dos términos difusa (por ejemplo, altura, no corto) a fin de
determinar en qué medida estos dos términos difusos significan la misma
cosa. Una "afinidad" medida basado en la medida de similitud [6] se creó
para determinar el grado de concordancia entre dos expresiones difusa.
Utilizando la medida de afinidad, las técnicas para la comprobación de
consistencia en un entorno no-difusa puede transportarse a un entorno
difusa.
La siguiente sección resume los diferentes tipos de incoherencias que
existen en un entorno basado en reglas. La sección 3 presenta las medidas
de similitud y afinidad. La sección 4 describe un comprobador de
coherencia, la CCFE, apli- carse para fuzzy sistemas expertos basados en
reglas. Sus resultados en la detección de la incon- sistencia en un
ambiente fuzzy se ilustran mediante un ejemplo y debatirse en la quinta
sección.
2. Incoherencia en los sistemas basados en reglas existen varios tipos de
incoherencias en un no-entorno basado en reglas fuzzy [9-12]. El resumen
se da de la siguiente manera:
consideremos las reglas:
Regla 1: Si A1 y luego B1 (CF1) Artículo 2: si un2 Y LUEGO B2 (CF2) donde
A1 y A2 pueden ser cualquier combinación de proposiciones, B1 y B2 son
solo proposiciones, y CF1 y CF2 son la certeza de factores, que van desde
0 a 1 del artículo 1 y del artículo 2, respectivamente.
2.1.
• Dos reglas reglas redundantes triunfar en la misma situación y tener
los mismos resultados.
Es decir, yo, A1 = A2 y B1 = B2 & Sign(CF1) = firmar (CF2) o ii, A1 =
A2 y B1 ~ B2 & Sign(CF1) ~ firmar (CF2) • Las dos reglas puede causar
la misma información que se cuentan dos veces, lo que aumenta la errónea
en el factor de certeza de la conclusión.

Comprobación de coherencia de Sistemas Expertos Difusos 265 • La

condición ii anteriormente podría no ser redundante si el experto quiere
confirmar a un valor (por ejemplo, B1 con CF1 > 0) y al mismo tiempo
disconfirm otro valor (por ejemplo, B2 con CF2 < 0) de la conclusión.
2.2. Reglas conflictivas (contradicción)
• Dos reglas triunfar en la misma situación, pero con resultados
contradictorios.
Es decir yo, A1 = A2 y B1 = B2 & Sign(CF1) --/: firmar (CF2) o ii, A1
= A2 y B1 --/: B2 & Sign(CF1) = firmar (CF2) • es una ocurrencia
común en conjuntos de reglas. Sin embargo, puede no causar problemas
(incoherencia) debido a que el experto puede querer concluir valores
diferentes con diferentes factores de certeza.
• Por ejemplo, las siguientes reglas son los extraídos de un sistema
experto médico ESROM [8]:
(Regla ML7a (norma m18 si (((MDC es anycd) O SI (((MDC es anycd) o (MDC
es gmd) (MDC es gmd)) y (gestación > = 30) y la gestación > = 30) y
la gestación < = 34)) y (gestación < = 34), la gestión es la
entrega, la gestión es la observación certeza es 0,7 certeza es 0.3
Management es un objeto de valor único con los valores esperados
(entrega, observación). Las dos reglas anteriores tienen el mismo
antecedente parte pero con conclusiones contradictorias. Sin embargo, se
encuentran en pur- plantean por el experto y de ninguna manera es un
error.
2.3. Subsumida Normas • dos reglas tienen el mismo resultado, pero
contiene restringir- ciones adicionales sobre la situación en la que se
logrará. Siempre que la regla más restrictiva se realiza correctamente,
la menos restrictiva de la regla también tiene éxito, resultando en la
redundancia
, es decir ( A1 cA2 o A2 a C1) y B1 = B2 & Sign(CF1) = firmar (CF2) o
(A1 o A2 cA2 cA1)+B1 4~ B2 & Sign(CF2) ~ firmar (CF1) • Por ejemplo,
Esrom (Regla de la LIO (Regla iil0 si es unrupt (diagnóstico) si
((diagnóstico es unrupt) Luego cx es uninf) y reactiva (CTG) Certeza es
0,8 luego cx es uninf) Certeza es 0,95 Cuando iil0 se activa la regla, la
regla de la LIO también estará activado. Por lo tanto, no hay
redundancia.

266 K.S. Leung y Y. T. tan • Sin embargo, el ingeniero del conocimiento

puede querer escribir estos tipos de reglas, de modo que las normas más
restrictivas se añade peso a las conclusiones. Así pues, los expertos
deberían ser advertidos y pidió para aclarar su significado. En el
ejemplo anterior, si el experto tiene la intención de dar más peso al "cx
es uninf" cuando "ccm es reactivo" también es true, entonces el factor de
certeza de la regla iil0 debería cambiarse a 0,75. Si tanto "diagnóstico
es unrupt" y "ccm es reactivo" son verdaderas, la certeza de la
conclusión "cx es uninf" pasa a 0,95 después de que ambas normas se
dispararon y la combinación de pruebas de cálculo se aplican [6].
2.4. Sub-contradicción reglas es un caso especial de contradicción. Dos
reglas tienen diferentes resultados, pero uno de ellos contiene
restricciones adicionales sobre la situación en la que se logrará.
Siempre que la regla más restrictiva se realiza correctamente, la menos
restrictiva de la regla también se realiza correctamente:
es decir, (un C1, A2 o A2 a C1) y 4 B1:B2 & Sign(CF1) = firmar (CF2)
o (un C1, A2 o A2 a C1) y B1 = B2 & Sign(CF2) 4: firmar (CF1)
2.5. Si las condiciones innecesarias • dos reglas tienen la misma
conclusión, si la condición de una regla está en conflicto con una
condición si en la otra regla, y todos los demás si las condiciones en
las dos reglas son equivalentes.
Por ejemplo, (A1 = p/x q), (A2 = p -1 q) = B1, B2 y CF1 = CF2 • El
ejemplo descrito en realidad indica que sólo es necesaria una regla. La
segunda, si las condiciones (p y q) -1 de ambas normas son innecesarias.
Aunque no provocará ningún error en la consulta, sería mejor integrar las
dos reglas en uno: si p entonces BI(CF1)
• Por ejemplo, (A1 = p q), (A2 = ~ q) = B1, B2 y CF1 = CF2 El segundo si
la condición en la primera regla es innecesaria, y las dos normas podrían
combinarse en: si p V -1 q entonces BI(CF1)
• Si CF1 4: CF2, no innecesaria si la condición se produce debido a que
el experto puede querer concluir un valor con diferentes factores de
seguridad en diferentes situaciones, por ejemplo, en ESROM (norma m20
(norma m21 si (((CMI > 10) y (CMI < 15) Si (((CMI > 10) y (CMI
< 15)) o ((PCR > 20). Y (PCR < 40) o ((PCR > 20)y (PCR <
40) y (gestación > = 32))) y (gestación < 32))), la gestión es la
entrega), la gestión es la entrega) Certeza es 0,8 certeza es 0.5

Comprobación de coherencia de Sistemas Expertos Difusos 267 El estado

(gestación > = 32) en la norma m20 está en conflicto con el estado
(gestación < 32) norma m21. Sin embargo, el experto quiere asignar
diferentes factores de certidumbre para diferentes situaciones.
2.6. Reglas circulares
un conjunto de reglas es circular si el encadenamiento de estas normas en
el conjunto forma un ciclo
, es decir, A1 = B2 &A2 = B2 & Sign(CF1) -- firmar (CF2)
2.7. Auto-referido Reglamento
el estado y conclusión de las cláusulas de una regla se refieren al mismo
tema.
Por ejemplo, si un = 0, ENTONCES A = 1 (para un no es un objeto
multivalor)
2.8. Incoherente si la cláusula de
las cláusulas en el estado son contradictorias entre sí.
Por ejemplo, si A = 1 y B = 2, ENTONCES (para un no es un objeto de valor
múltiple) en 2.7 y 2.8, si es un objeto de valor múltiple, no puede
concluirse que la incoherencia se produce porque un objeto multivalor
puede tener más de un valor en cualquier momento del debate anterior sólo
se menciona la incoherencia superficial entre dos normas. Sin embargo, la
incoherencia puede surgir después de una secuencia de inferir- anillo
pasos, por ejemplo,: IFATHENB Rulel (CF1 >0) Regla 2: Si B Y LUEGO C
(CF2 > O) Regla 3: Si C, D (CF3 > O) Regla 4: si un luego D (CF4
> OH) redundancia se produce entre el conjunto de reglas (1-3) y en la
regla 4.
Además, la detección de regla circular cadenas es afectada por el umbral.
La certeza de factores pueden causar una cadena circular de reglas para
ser "rota" si la certeza de factor de conclusión cae por debajo del
umbral (por ejemplo, 0.2).
Por ejemplo, si una regla 1: A continuación, B (CF = 0,4)
Regla 2: Si B, entonces C (CF = 0,7)
Regla 3: Si C Y D (CF = 0,7)
Regla 4: Si D ENTONCES A (CF = 0,8) (0,4)(0,7)(0,7) = 0.19 < 0,2, la
circular de cadena se rompe la regla.

268 K.S. Leung y Y. T. Por lo tanto

3. Las comprobaciones de coherencia en un ambiente difusa en primer
lugar, consideremos la posibilidad, necesidad y medidas de similitud en
posibilidad de teoría y, a continuación, medir la afinidad de dos
términos difusos será introducido. Deje que la difusa términos ser
representado por una lista de 11 números reales que son los grados de
pertenencia de los puntos de un imaginario continuum psicológico con una
escala de intervalo. La difusa los términos "alto", "medio" y "corto" se
representan de la siguiente manera:
altura: 0 0 0 0 0 0 .0280 .1176 .3277 .6561 1 media: 0 0 0 1 .328 .328
.0588 .0588 0 0 0 corto: 1 .6561 .3277 .1176 .0280 0 0 0 0 0 0 Los setos
como "muy" o "más o menos" puede aplicarse a los mencionados términos
fuzzy fuzzy para formar expresiones tales como "muy alto" y "más o menos
corto." Un cuadrado y una raíz cuadrada funciones son las funciones de
manejo de conceptos difusos para los setos "muy" y "más o menos",
respectivamente [13]. La modificación de las representaciones son
mostrados:
muy alto: 0 0 0 0 0 0 .0008 .0138 .1074 .4305 1 más o menos corto: 1
.8100 .5725 .3429 .1673 0 0 0 0 0 0 Los valores de pertenencia descrito
arriba puede ser visto como una posibilidad de distribución [14]. Pero
esta distribución tiene un valor meramente indicativo o significado
subjetivo y no puede ser interpretado directamente. Las figuras 1-3
muestran las curvas de los anteriores términos difusa/expresiones. Tenga
en cuenta que las curvas se normalizan y convexa.
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3 muy
0.1
, , , , ; 0 I I I I
Figura 1. Posibilidad para la distribución de los conceptos de "alto" y
"muy alto".

Comprobación de coherencia de Sistemas Expertos Difusos 269 1

0.9 ~x 08 moreorless 0,7
0,6
0,5
0,4
0,3
0,2
0 ~ I I I Figura 2. Posibilidad de distribución para los conceptos
'"SHORT" y "más o menos" corto.
3.1 posibilidad y necesidad, las fórmulas de la posibilidad (P) y la
necesidad (N) mide entre un datum difusa y un patrón difuso son dadas
como sigue [15]:
P(F[F') = max(min(~F(W), I.LF,(W)))
N(FIF") = 1 - e(~ FIE')
1
0,9 0,8
0,7
0,6
0,5 mediana
0,4
0,3
0,2
0,1
0 , i
Figura 3. Posibilidad de distribución para el concepto de "medio".

270 K.S. Leung y Y. T. Así

donde
P(FIF') es la posibilidad de la difusa datum F' dado el patrón difuso, F
y N(f[f') es la necesidad de la difusa datum F' dado el patrón difuso F.
/~(w) es la función de pertenencia de w en el universo de discurso, y ~ F
es el complemento de F.
La posibilidad mide el grado de solapamiento entre el dato y el patrón; o
en otras palabras, mide la no-vacío de FAF".
Por ejemplo:
P(tall~muy altas) = 1
P(shortlmore o menos corto) =
P(1) = 0,028 P talllmedium(shortltall) = 0 posibilidad es una medida
optimista: sólo significa algo que es posi- ble, pero no puede garantizar
que va a ocurrir. Por otro lado, la necesidad es una medida drástica que
es igual a la imposibilidad entre dos eventos opuestos.
Por ejemplo:
N(tall~muy altas) = 0.6561
N(shortlmore o menos corto) = 0.4275
N(talllmedium) = 0 N(shortltall) = 0 En circunstancias normales, la
necesidad tiene las siguientes propiedades:
Si N(FIF') > 0,5, entonces f' tiene una distribución más o menos
concentrado que F.
Por ejemplo, alto y muy alto.
Si N(FIF') < 0,5, entonces f' tiene una distribución más amplia o más
dilatado que F.
Por ejemplo, corto y más o menos corto, alto y medio.
Si N(FIF") = 0,5, entonces F tiene la misma distribución que F.

Comprobación de coherencia de Sistemas Expertos Difusos 271

también de la definición de posibilidad y es necesario, se puede
demostrar que:
i, P(AIB) = P(BIA) .... (1)
II, P(AIB u C) -- max(P(AIB), P(AIC)) .... (2) iii, N(AIB U C) --
min(N(AIB), N(AIC)) .... (3) iv, N(ara) >= 0.5 .... (4) 3.2. La
similitud de la semejanza M se calcula mediante el algoritmo siguiente
[6]:
Si N(FIF') > 0,5
luego M = P(F[F')
denota la multiplicación. ‫ ٭‬ELSE M = (N(FIF') + 0,5)*P(FIF') donde
esto significa que cuando la necesidad es mayor o igual a 0,5, la
similar- lidad entre patrón y datum está saturado y es forzado a la
igualdad de la posibilidad. Si la similitud no es saturada (necesidad es
inferior a 0,5), la similitud debe depende tanto de la posibilidad y
necesidad.
La medida de similitud ha demostrado ser una herramienta útil para
determinar la similitud entre la difusa datos en una base de hechos y la
difusa patrones en la premisa parte de una regla [8]. Sin embargo, existe
una deficiencia en la similitud; no es conmutativa, i.e, M(plq) ~ M(QLP).
N(talllnot mediano) = 1 - 1 = 0 ‫=٭‬, por ejemplo, P(no mediumltall) = 1 y
P = 0.0588(mediumltall) N(no mediumltall) = 1 = 0.9412 - 0.0588 por lo
tanto, M(no mediano ltall) = 1. Pero P(talllnot mediano) = 1 y P(no
talllnot mediano) = 1
Por lo tanto, M(talllnot mediano) = 0,5.
Por lo tanto, el fin de la verificación de la regla va a influir en el
valor de la similitud.
Debido a esta limitación, la afinidad (A) medir es introducido.
3.3. Afinidad la afinidad de dos simples proposiciones p y q se define
como sigue:
(p,q) = M(p q[p v q) donde ^ Izp q(W) = min(tzp(w), tZq(W)),
tzp v p(W) = max(tZp(W), tZq(W) y
/z(w) es la función de pertenencia de w en el universo de discurso.

272 K.S. Leung y Y. T. Así

A(p, q) mide la similitud de p v q dado p q. Es decir, ¿hasta qué punto
toda la parte tanto de p y q (p v q) coincide con la parte compartida de
ellos (p q). Las siguientes son algunas de las propiedades de la afinidad
medidas:
i, si p y q son idénticas, A(p, q) será igual a 1 (porque pVq=pAq).
II,(p, q) es conmutativo, es decir,(p, q) = A(t, p).
BecausepAq=qApandp Vq=qVp.
iii,(p, q) = min(M(plq), M (QLP)) .... (5) la
prueba de la afirmación (iii):
Considerar la posibilidad primera P(p Aq]p V q)
=MAX(min(IXp^P(W),lXpvq(W)))
= max(I.£pAq(W) = max(min( i.tp(w), tXq(W))) = P(plq) = P(QLP) [eqn (1)]
.... (6)
y N(p un QLP V
min(q) = N(p un QLP), N(p qlq) [por eqn (3)] ahora considerar N(p un QLP)
=l--P(~(pAq)IP)
= 1-P(p[~ (pAq) [por eqn (1)]
= 1-P(pl~P V ~p) = 1 - max(P(p[ ~ p), P(p[ ~ q)) [eqn (2)]
= 1 - max(P(~ pip), P( ~ QLP) [por eqn (1)] = min(N(p[p), N(q[p))
Igualmente,
N(p) = qlq min(N(QLQ), N(plq)

Comprobación de coherencia de Sistemas Expertos Difusos 273 de

manera que N(p /x qlp v min(q) = N(PLP), N(p]q), N(q]p), N(QLQ) .... (7)
Por eqn (4), se puede concluir que N(plp) y N(QLQ) son ambos igual o
superior a 0,5.
Ahora, consideramos que todos los cuatro casos:
Caso 1:
Si N(p[q) y N(qlp) > = 0,5, luego M(plq) = P(plq) = P(q[p) = M(qlp) =
min(M(plq), M (QLP) [por eqn (6)] y N(p un qlP V q > = 0,5 [eqn (7)],
por lo tanto, Z(p,q) = M(p un QLP V q) = P(p un QLP V q) = e(plq) =
P(qlp) = min(M(plq), M (QLP) [por eqn (6)] Por lo tanto, la afirmación
(eqn (5) suspensiones.
Caso 2:
Si N(plq) < 0.5 y N(qlp) > 0,5, entonces N(p un QLP V q) = N(plq)
< 0,5 Y A(p, q) = (N(p[q) + 0,5)*P(p[q) = M(plq) (mínimo de M(plq)
y M(q[p])
Caso 3:
Si N(qlp) < 0.5 y N(p[q) > 0,5, entonces N(p un qlP V q) = N(qlp)
< 0,5 Y A(p, q) = (N(qlp) + 0,5)*P(q) =[p]p m(q) (mínimo de M(pJq)
y M(q[p])
Caso 4:
Si N(plq) y N(qlp) < 0.5, N(p un qlP V min(q) = N(p[q), N(qlp)) por lo
que un(p, q) = M(p un QLP v q) = (N(p m qlp v q) + 0,5)*e(p m qlp v q) =
(min(N(plq), N(qlp)) + 0,5)*P(plq) [por eqns (6) & (7)]
= min(M(plq), M (QLP))
por lo tanto, A(p, q) = min(M(plq), M(q]p)) se mantiene para todos los
casos.

274 K.S. Leung y Y. T. Para

implementar un(p,q) usando nuestra definición (por ejemplo, A(p,t)= M(p
un ql p v q) se traducirá en dos comparaciones, dos adiciones, y uno
multiplica- ción menos que utilizando un(p, q) = min(M(plq), M (QLP) cada
vez.
De ahí la antigua es realmente utilizado para aplicación en nuestro
sistema.
Entre las propiedades anteriores, la conmutativa es la más importante,
porque implica que el fin de la regla-comprobación no tiene ninguna
influencia sobre el valor de la afinidad.
A fin de investigar la idoneidad de afinidad en las comprobaciones de
coherencia, podemos calcular todos los resultados de la afinidad para
diferentes valores de p y q en un objeto borroso como "altura". setos
como "muy" y "más o menos" y la negación lógica "no" se agregan a los
posibles términos difusos del objeto.
Por tanto los valores de p y q podría ser
[no] [muy Imore o menos] {tall Imedium Ishort}
donde la elección dentro del [ ] es opcional. (Aunque las expresiones
como "más o menos media" o "medio" no son muy significativos, los
incluimos para completar la investigación.) Los resultados de la afinidad
de cualquiera de las dos expresiones fuzzy p y q pueden ser divididos en
cuatro grupos.
(1)(p,q) = 1(p.ej., una tall, Tall) = 1(muy media, media) = 1 (2)(p, q)
> 0,5(p.ej., un alto, muy alto) = 0,9305 A más o menos corto, corto) =
0.9275 A(más o menos medio, muy mediano) = 0.9273 (3)(p,q) = 0.5, P(p v
qlp /x q) = 1 y N(p q[p v q) = 0(p.ej., una altura, sin medio) = 0,5 A(no
a corto, mediano) = 0,5 A(no es muy alto, más o menos corto) = 0,5
(4)(p,q) < 0,5, p(p V q) Un QLP < 1 y N(p un QLP V q) = 0(p.ej.,
una altura, sin tall) = 0.1720 A(más o menos altos, medianos) = 0.0837
UN(short, Tall) = 0 las afinidades de grupos (1) y (2) son superiores a
0,5. Esto significa que su grado de coincidencia son mayores que sus
diferencias. - Das, llegamos a la conclusión de que los dos conceptos
están borrosos en comparación son los mismos o similares (en cierta
medida). La affÉnities en grupo (4) es inferior a 0,5, podemos decir que
los dos términos son diferentes. Las afinidades en el grupo (3) igual a
0,5, lo que significa que la verdad y la falsedad de la semejanza entre
dos términos difusa puede ser indicado por la medida de afinidad. Como
conclusiones-

Comprobación de coherencia de Sistemas Expertos Difusos 275

sion, si la afinidad entre dos términos difusos es mayor que 0.5, pueden
ser tratados como iguales. Para el caso (3), podríamos swing a cada lado,
dependiendo de la aplicación.
La definición de afinidad podría ampliarse para detectar la semejanza del
antecedente parte de dos reglas.
Sea P1 y P2 el antecedente de dos piezas de reglas que contienen varias
proposiciones conectadas por y operadores, es decir,
P1 -- Un Pll P12 a P13 un "'" Un Plk
P2 = P21 a P22 a P23 .-- Un P2K
Y LUEGO A(P1, P2) = un fi(Plk, P2k) K=l En
caso contrario, A(Plk, P2k) = 0. La afinidad de una antecedencia es igual
al producto de la afinidad de sus proposiciones. ;1 Si Plk y P2k no son
borrosas y Plk = P2k, luego una letra Plk, p2k)=
4. Un comprobador de coherencia en ambiente difusa con afinidad, pudimos
detectar incoherencias en un entorno borroso. Los métodos de detección
pueden ser los mismos que los utilizados en un ambiente nonfuzzy salvo
que utilizamos para medir el grado de afinidad de coincidencia de dos
expresiones difusa.
Es decir, (P1 = P2) y (P1 4: P2) podrían ser reemplazados por una(PIIP2)
>_>_(PIIP 0.5 Y UN2) < 0.5 en un entorno difuso,
respectivamente.
Un comprobador de coherencia en un ambiente difusa (CCFE) ha sido apli-
carse para comprobar las bases de reglas creadas desde una shell de
sistema experto difuso Z-III que permite cualquier combinación de borrosa
y no difusa en términos de las reglas [8]. CCFE está implementado usando
el Turbo C 2.0 en un entorno microinformático. Medir la afinidad es
empleado para determinar el grado de correspondencia de dos proposiciones
difusa. En la primera etapa del desarrollo de la CCFE, establecemos los
siguientes supuestos:
(a) Una proposición sólo está permitida en consecuencia parte de cada
regla.
(B) de la consiguiente propuesta Disconfirmation está representado por un
factor de seguridad negativa a una norma
, es decir, de la regla:
si la altura es alto entonces el peso no es certeza de luz es de 0,8

276 K.S. Leung y Y. T. Así

puede ser representado de la siguiente manera:
Si la altura es alto entonces es ligero de peso certeza es - 0.8
(c) objetos de valor único se supone.
(D) sólo CCFE busca los siguientes inconsis- tencies más comunes:
(i) dejar de redundancia:
Regla 5: Si P1 y C1 (CF1) Norma 6: Si P2 y luego C2 (CF2) donde P1 y P2
puede ser cualquier combinación de las proposiciones, y CF representa el
factor de certeza de una regla.
La redundancia puede ocurrir cuando:
A(PIlP2) > 0,5 &A(ClJC2) > 0,5 & Sign(CF1) = firmar (CF2)
o un(PIIP2) > 0,5 &A(CIlC2) < 0,5 & Sign(CF1) 4~ sign(CF2)
(ii) la contradicción
contradicción puede ocurrir cuando:
A(PIlP2) > 0,5 &A(CIlC2) > 0,5 & Sign(CF1) v~ firmar (CF2)
o un(PIlP2) > 0,5 &A(CIlC2) < 0,5 & Sign(CF1) = firmar
(CF2)
(iii) subsunción de
un caso especial de redundancia. Los detalles han sido descritos en la
sección 2.
(Iv) Sub-contradicción es un caso especial de contradicción. Los detalles
han sido descritos en la sección 2.
Una tabla de decisión se utiliza para la verificación de la base de
reglas. Una tabla de decisión facilita la prueba de un conjunto de reglas
para condiciones incompatibles. Cada columna de una tabla de decisión
representa las condiciones de una regla. Construir una tabla de decisión
de las normas es relativamente simple [5]. CCFE crea una tabla de
decisión analizando las reglas almacenadas en la base de reglas,
introduciendo cada valor correspondiente en la fila y columna adecuada.
La tabla se implementa mediante matrices de punteros. Por lo tanto, el
almacenamiento de la tabla se asignan dinámicamente. Además, asigna
dinámicamente una matriz unidimensional se crea para almacenar el factor
de certeza de cada regla.

Comprobación de coherencia de Sistemas Expertos Difusos 277

Tabla 1. Un ejemplo de conjunto de reglas (regla regla de rl (r2 (si (la
altura es alto (si es alto (altura) entonces el peso es pesado) y comer
es mucho) certeza es 0,7 entonces peso es muy pesado) certeza es de 0,65
(la regla r3 (si (comer es mucho) y actividad es poco) luego peso pesado
moreorless) certeza es 0.9
el algoritmo para crear la tabla de decisión y la matriz almacenar la
certeza de los factores es la siguiente:
Leer todas las reglas de un archivo en la base de reglas.
Contar el número total de objetos y reglas en la base de reglas.
Asignar espacios para la tabla y la certeza de factores.
Inicializar todas las celdas de la tabla para desocupado.
Para todas las reglas en la base de reglas analizar la regla e introduzca
los valores de la fila y columna correspondiente.
Establecer que la celda que ocupaba.
Así, por ejemplo, de las reglas en la Tabla 1, creará la CCFE corres-
spondiente tabla de decisión y la matriz almacenar certeza factores como
se muestra en la figura 4.
rl r2 R3 altura tall tall comer mucha mucha actividad poco peso pesado
muy pesado pesado moreorless
certeza factor 07 I 065 I 0.9
Figura 4. Muestra la tabla de decisión.

278 K.S. Leung y Y. T. Así que

después de crear la tabla de decisión, todas las reglas se comprueban si
hay incoherencias. Medir la afinidad es empleado para determinar la
probabilidad entre dos expresiones, ya sea difusa o no difusa. El
siguiente es el algoritmo para la verificación de consistencia:
Para i = 1 a Nº de reglas - 1 j = i + 1 al nº de reglas caso
comparar(antecedencia(i), antecedencia(j)) igual:
si (la misma(consecuencia(i), consecuencia(j)) entonces si (sign(CF(i) =
sign(CF(j))) entonces redundancia informe informe else else if (signo de
contradicción (CF(i) = sign(CF(j))) entonces contradicción informe
informe else endif continuar subconjunto de redundancia:
si (la misma(consecuencia(i), consecuencia(j)) entonces si (sign(CF(i) =
sign(CF(j))) luego subsunción informe informe sub-contradicción else else
if (sign(CF(i) = sign(CF(j))) luego informe sub-contradicción más informe
subsunción endif siguen diferentes:
continuar endcase endfor endfor
donde comparar es una función usando la afinidad medir para determinar si
dos antecedences son los mismos, diferente, o una de las priori- cedence
es un subconjunto de la Otros.

Comprobación de coherencia de Sistemas Expertos Difusos 279

mismo es una función booleana usando la afinidad medir para determinar si
dos consecuencias son las mismas.
signo devuelve el signo de la certeza de factor.
5. Resultados y Discusión CCFE se utiliza para verificar la consistencia
de bases de reglas fuzzy. La siguiente regla base con difusas y no
difusas objetos es verificado por CCFE y los resultados se presentan. (El
ejemplo es un caso de pruebas inconsistentes, así que algunas reglas
pueden no hacer demasiado sentido.) Deje que la altura es un objeto
borroso con valores posibles (alto, medio, corto).
El peso es un objeto borroso con valores posibles (pesado, montar,
claro).
Comer es un objeto borroso con valores posibles (mucho, equilibrada,
dormir poco). No es un objeto de valor único difusa con valores posibles
(suficiente, regular, malo). El
deporte no es un objeto de valor único difusa con valores posibles (BIG-
2, fútbol, baloncesto).
Regla básica:
(regla rl si (la altura es alto) entonces el peso es pesado) Certeza es
de 0,7 (la regla r2 si ((altura es alto) y comer es mucho) entonces el
peso es muy pesado) Certeza es de 0,75 (la regla r3 si (la altura es
alto) entonces el peso es equilibrado) Certeza es -0,5 (norma R4 Si
((comer es mucho) y el deporte es un gran-2)) entonces el peso es muy
pesado) Certeza es 0.6

280 K.S. Leung y Y. T. Así

(la regla r5 (si está comiendo mucho) entonces es de peso ligero) Certeza
es de 0,5 (la regla r6 Si (comer es mucho) y (El deporte es un gran-2) y
dormir no es malo) entonces el peso es muy pesado) Certeza es -0,7 (norma
R7 Si (comer es mucho) y el deporte es un gran-2) y dormir es suficiente)
entonces el peso es pesado) Certeza es de 0,6 (la regla r8 (si no es
suficiente para dormir), entonces el peso es ligero) Certeza es de 0,5
(la regla r9 Si (dormir es malo) entonces es de peso ligero) Certeza es
0.4
Diagnóstico:
Advertencia 1: Subsunción entre reglas rl y r2 Advertencia 2: Reglas de
redundancia entre RL y r3 3 Advertencia: Subsunción entre reglas r2 y r3
4 Advertencia: Sub-contradicción entre Reglas r2 y r5 5 Advertencia: Sub-
contradicción entre las reglas r4 y r5 Aviso 6: Sub-contradicción entre
las reglas r4 y r6 7 Advertencia: Subsunción entre reglas r4 y r7 8
Advertencia: Subsunción entre reglas r5 y r6 9 Advertencia: Sub-
contradicción entre las reglas r5 y r7 10 Advertencia: la contradicción
entre las reglas r6 y r7 11 Advertencia: redundancia entre reglas r8 y
r9, un total de 11 advertencias.

Comprobación de coherencia de Sistemas Expertos Difusos 281 a

partir de los resultados, podemos ver que la afinidad es útil para
determinar el grado de correspondencia de dos expresiones fuzzy para la
comprobación de la coherencia.
Las técnicas utilizadas en un entorno non-difusa puede ser fácilmente
transportado a un ambiente difusa. Sin embargo, en un entorno lleno de
mezclas de razonamientos exacta y aproximada, no hay definiciones de
absoluta coherencia como se describe en las secciones 2 y 3. Un
comprobador de coherencia difusa como el ejecutado sólo puede servir como
un proveedor para avisos de posible incompatibilidad para facilitar un
mejor conocimiento de la ingeniería. Los niveles de advertencias puede
ajustarse variando parame- ros como el umbral afinidad en la definición y
niveles de seguimiento.
6. Conclusión La utilización de afinidad, se ha demostrado que podemos
detectar posibles inconsistencias en un entorno borroso. Las técnicas de
detección son muy similares a los utilizados en un entorno no-fuzzy salvo
que utilizamos
para medir la afinidad de semejanza de dos expresiones difusa, es decir,
de dos expresiones no difusa A1 y A2, A1 = A2 (A1 y A2 V~) podría ser
sustituido por un(A1,A2) > 0,5 y un(A1,A2) < 0,5 respectivamente
por las expresiones difusos A1 y A2 en un entorno borroso. La propiedad
conmutativa de afinidad hace que el control de orden de nuevas y viejas
reglas totalmente inde- dent. La afinidad, la medida ha demostrado ser
una buena herramienta para medir la similitud de dos términos difusos. El
comprobador de coherencia CCFE ha sido aplicado con éxito para ayudar a
la ingeniería del conocimiento en un entorno difuso neous heteroge- con
una mezcla confusa y no términos difusos.
Referencias
1. Hayes-Roth, F., los sistemas basados en reglas, Comunicación de ACM,
28(9), 921-932, 1985.
2. Shortliffe, E. H., consultas médicas informatizadas: MYCIN, Elsevier,
Nueva York, 1976.
3. Suwa, M., Scott, A. C., y Shortliffe, E. H., un enfoque para verificar
la integridad y la coherencia de un sistema experto basado en reglas, AI
Magazine, 3(3), 16-21, 1982.
4. KES Descripción General Manual, la arquitectura y la Ingeniería de
Software, Inc., Arlington, C.A., 33, 1983.
5. Cragun, B. J., y Steudel, H. J., una decisión basada en tablas de
procesador para controlar la integridad y coherencia en los sistemas
expertos basados en reglas, Int. J. Estudios Hombre-Máquina, 26, 633-648,
1987.

282 K.S. Leung y Y. T. de modo 6. Leung, K. S., y Lam, W., conceptos de

sistemas expertos difusos, IEEE Computer, 2l(9), 43-56 de septiembre de
1988.
7. Leung, K. S., y Lam, W., UN SISTEMA EXPERTO DIFUSO shell mediante
exacta e inexacta, J. razonamiento razonamiento automatizado, 5(2), 207-
233, 1989.
8. Leung, K. S., así, Y. T., Leung, A. y Wong, W. S. F., Z-malos: un PC
basado en shell de sistema experto difuso, Proc. Int. Equipo Symp., 657-
662, 1990.
9. Beauvieux, A. y Dague, P., la comprobación de la base de conocimiento
interactivo consis- tency, Int. Equipo de Sci. Conf. 567-574, 1988.
10. Buchannan, B. G., y Shortliffe, E. H., la ingeniería del
conocimiento,
sistemas expertos, Addisley-Wesley Rule-Based Publishing Company, 1984.
11. Nguyen, T. A., Perkins, W. A., Laffey, T. J., y Pecora, D., la
verificación de la base de conocimiento, AI Magazine, 69-75, en el verano
de 1987.
12. Tsang, W. W., Wan, Y. S., Lim, S. L., y Hioe, W., un método de
búsqueda de espacio para la comprobación de la coherencia e integridad de
una base de reglas, Int. Equipo de Sci.
Conf. 575-579, 1988.
13. Zadeh, L.A., un difuso-set-interpretación teórica de coberturas
lingüísticas, J.
Cybernetics, 2(3), 4-}34, 1972.
14. Zadeh, L. A. PRUF--un significado representación idioma de lenguas
naturales, Int. J. Estudios Hombre-Máquina, 10, 395-460, 1978.
15. Cayrol, M., Farreny, H. y su parte, desde PRADE, H., de coincidencia
de patrón difuso, Kybernetes, 11,
103-116, 1982.