Scientia et Technica Ao X, No 24, Mayo 2004. UTP.

ISSN 0122-1701

265

APROXIMACIN DIFUSA DE FUNCIONES REALES

RESUMEN En este articulo, se presenta una metodologa para aproximar una funcin, de variable real en usando lgica difusa. Adems, se hacen dos aplicaciones que ilustran el mtodo. ALFONSO ALZATE Profesor Titular Facultad de Ingeniera Elctrica Universidad Tecnolgica de Pereira alalzate@utp.edu.co

ABSTRACT In this paper, a methodology is presented to approach a function, of real variable in JUN EDUARDO BRAVO Profesor using fuzzy logic. Also, two applications are made that illustrate the method. Departamento de Matemticas PALABRAS CLAVES: Lgica difusa, conjunto difuso, if then, Takagi-Sugeno, Facultad de Ciencias Bsicas Universidad Tecnolgica de Pereira funcin de pertenencia. jubravo@utp.edu.co jbravo@uniweb.net.co KEYWORDS: Takagi-Sugeno

1. INTRODUCCIN El desarrollo de la lgica difusa fu motivado por la necesidad de un marco conceptual que permitiera manejar la imprecisin del lenguaje corriente con el que se describen los fenmenos de la cotidianidad, permitiendo expresarlos en trminos matemticos capturando todas las incertidumbres asociadas con el razonamiento y el pensamiento humano. Hoy existe un gran nmero de aplicaciones en la industria que le dan una importancia en el desarrollo tecnolgico. Por lo tanto, es necesario darle la connotacin que ella merece y difundir este conocimiento en la comunidad acadmica. La literatura en lgica difusa es variada y abundante en diferentes aplicaciones, especialmente de ingeniera. En [1] se estudian los fundamentos y algunas aplicaciones desde el punto de vista acadmico, en [2,3] se realizan algunas aplicaciones en donde se da importancia a la aproximacin de funciones no lineales con el modelo difuso Takagi-Sugeno. Un algoritmo muy detallado se ilustra en [2] para aproximar un modelo no lineal con el modelo difuso Takagi-Sugeno y se realizan algunos ejemplos ilustrativos que clarifican la metodologa. Este articulo pretende introducir el mtodo de modelado Takagi-Sugeno. Adems, se presenta en forma breve un concepto bsico de la lgica difusa, ilustrando el modelo con una metodologa para aproximar una funcin de variable real en .

2. LGICA DIFUSA La lgica difusa es un proceso matemtico que permite representar y manipular datos que no pueden definirse en forma precisa por la incertidumbre que poseen. Estos datos son el resultado del conocimiento de una situacin (o fenmeno) que se desea describir, y a su vez estos se presentan en forma de implicaciones (p q), que en un aspecto no tan formal es equivalente a: if p then q y a esto se le denomina regla o ley. La lgica difusa es un tema de actualidad gracias a las aplicaciones que se presentan a nivel industrial y la gran cantidad de problemas acadmicos que confrontan la soluciones clsicas con las que registra este modelo. Las aplicaciones se extienden a ramas diferentes de la ingeniera, lo que le da una gran relevancia. Uno de las reas de aplicacin de la lgica difusa es el control, y en este la estabilidad juega un papel de gran importancia. La construccin del modelo matemtico que describa la dinmica de un sistema a estudiar no es nada fcil, pues se deben incluir todas las caractersticas relevantes asociadas a la dinmica del sistema. Normalmente, el modelo matemtico es complejo por las no linealidades que posee, y que hacen indispensable una buena aproximacin. Para evitar estas dificultades, se propone un modelo que considere la dinmica de la planta en diferentes puntos de operacin, con la implementacin de varios modelos lineales. Cada modelo lineal corresponde a una regla del tipo IF .. THEN, donde en el antecedente est la condicin y en el consecuente el modelo lineal que la cumple. Esta representacin del (1)

Fecha de recepcin: 29 Marzo de2004 Fecha de aceptacin: 16 Abril de 2004

266 sistema no lineal es llamada modelo difuso TakagiSugeno. 3. MODELO DIFUSO TAKAGI-SUGENO Takagi y Sugeno, en 1985, definieron la funcin de pertenencia de un conjunto difuso A como A(x), para todo x . Algunos conjuntos difusos se asocian con funciones de pertenencia lineales. As, una funcin de pertenencia esta caracterizada por dos parmetros: 1 es mayor grado de pertenencia, y 0 es el menor grado de pertenencia. Para dos conjuntos difusos dados A y B, el valor de verdad de la proposicin x is A and y is B se expresa por x is A and y is B = A(x) B(y) (2)

Scientia et Technica Ao X, No 24, Mayo 2004. U.T.P

w ( x) hi ( x ) = r i w ( x) j =1 j

(8)

entonces se puede interpretar el modelo Takagi-Sugeno como un modelo cuasilineal con dependencia en el parmetro de entrada x.
r T y = hi ( x ) ai x + bi i =1

(9)

4. APROXIMACION DIFUSA EN 2
Sea f una funcin de variable real, continua y diferenciable en todo su dominio.

La relacin (2) es importante para el modelo difuso Takagi-Sugeno (TS), el cual consiste en un conjunto de reglas Ri con la siguiente estructura: Ri: if x is Ai then yi = aTix + bi
n

Primer Ejemplo:
f(x)=x3 - 2x2 (10)

(3)

Donde x es el vector de entrada, Ai es un conjunto difuso (multidimensional) y Ai:[0,1], yi es la salida de la i-sima regla, ain es un parmetro vectorial, bi es un escalar, donde r es el nmero de reglas, y el ndice i[1,2,,r]. Dadas las salidas de los consecuentes individuales yi, la salida total y del modelo difuso Takagi-Sugeno (defuzificacin o concresin) es calculada usando
r w ( x ) yi i =1 i y= r wi ( x ) i =1

Paso 1 Determinacin de la(s) variable(s) S(x) de la funcin. La funcin se debe escribir en la forma
f(x)=A(S(x))x por lo tanto, esta queda f(x) = (x2 2 x)x de aqu, se puede definir S(x) = x2 2 x (13) (12) (11)

(4)

en donde wi es el grado de compromiso del antecedente de la i-sima regla, calculado como el grado de pertenencia de x en el (interior) conjunto difuso Ai: wi(x) = Ai(x) (5)

Paso 2 Determinacin de los valores extremos de S(x). Para este caso se debe determinar un intervalo (regin de trabajo del parmetro definido S) para el parmetro definido. Para este caso, se usaran elementos del clculo para localizar el mnimo de S.
S(x)=x-2 (13)

La forma conjunta del antecedente, p en (1), tambin puede ser formulada como sigue: x1 is Ai1 and and xn is Ain Con el grado de compromiso wi(x) = A1(x1)A2(x2)An(xn) usando el grado de compromiso normalizado, (7) (6)

Es fcil ver que en x=2 existe un mnimo relativo (S(x)=1>0) de S. Por comodidad, se escoger un intervalo, en este caso [2,10], donde S sea creciente. Smin = S(2) = -2 Smax = S(10) = 30 Con esto queda claro que Smin S(x) Smax para todo x en [2,10]. (14)

Paso 3 Obtencin de los modelos lineales.

Scientia et Technica Ao X, No 24, Mayo 2004. UTP. ISSN 0122-1701

267

Con cada uno de los valores extremos encontrados en el numeral anterior se define una funcin lineal, as: f1(x)=-2x f2(x)=30x (15)

Paso 4 Desarrollo de las funciones de pertenencia. Con los valores extremos de S, se definen los conjuntos difusos con las etiquetas Pmenor y Pmayor.

Figura 2. Grfica de f y la aproximacin difusa La grfica en la figura 2, muestra el resultado de la aproximacin de la funcin sobre la funcin original. Se observa que en el intervalo [2,10], que corresponde al intervalo de inters la aproximacin es casi coincidente con la funcin original. Adems, la precisin de la aproximacin se pierde por fuera del intervalo de inters debido a la forma de f.
(16)

Figura 1. Conjuntos difusos

1, si s < S min s - Smax w1 ( s ) = , si Smin s S max Smin S max 0, si S max < s

Segundo Ejemplo:
f(x) = sen(x) (19)

0, si s < Smin s - Smin w2 ( s) = , si Smin s Smax Smax Smin 1, si S max < s

Paso 5 Construccin de las reglas. R1: if s es Pmin then f(x)=-2x R2: if s es Pmax then f(x)=30x

Paso 1 Determinacin de la(s) variable(s) S(x) de la funcin. Ahora, (19) puede ser escrita en la forma de (11).
(17)
f ( x) = sen( x) x x

(20)

y,
sen( x) , si S ( x) = x 1, si x0 x=0

(21)

La defusificacin se obtiene expresando a f como una mezcla difusa de los modelos lineales. f(x)=w1(S(x))(-2x)+w2(S(x))(30x) (18)

Figura 3.Grfica de S(x)

Fecha de recepcin: Fecha de aceptacin:

268

Scientia et Technica Ao X, No 24, Mayo 2004. U.T.P

Paso 2 Determinacin de los valores extremos de S(x). La grafica de la figura 3, muestra el comportamiento de S(x). Claramente se puede observar que es una funcin par, y para nuestro inters es montona decreciente en el intervalo [0, 4.49341]. De aqu se deduce que
Smin = S(4.49341) = -0.21723 Smax = S(0) = 1.0 Con lo que Smin S(x) Smax. (22)

5. CONCLUSIONES
La lgica difusa es una muy buena herramienta para aproximar funciones no lineales. En especial, el modelo difuso Takagi-Sugeno, aproxima a f, una funcin no lineal, como una mezcla difusa de modelos lineales.

6. BIBLIOGRAFA
[1] Alzate G., Alfonso. Control Difuso. Universidad Tecnolgica de Pereira. [2] Korba, Petr. A Gain-Scheduling Approach to Model-Based Fuzzy Control. Reihe 8, Nro 837. VDI VERLAG.

Paso 3 Obtencin de los modelos lineales. Con los resultados del paso anterior se obtiene
f1(x) = - 0.21723x f2(x) = x (23)

[3] Kazuo Tanaka, Hua O. Wang. Fuzzy Control Systems Design and Analysis. Wiley-Interscience Publication.

Paso 4 Desarrollo de las funciones de pertenencia. Aqu se realiza el proceso en forma equivalente al primer ejemplo. Paso 5 Construccin de las reglas. R1: if s es Pmin then f(x)= - 0.21723x R2: if s es Pmax then f(x)= x
La defusificacin se obtiene como una mezcla difusa de los modelos lineales. f(x)=w1(S(x))(- 0.21723x)+w2(S(x))x (24)

Figura 4. Grfica de la aproximacin difusa de sen x La grfica de la fig. 2, muestra el resultado de la aproximacin difusa de la funcin f(x) = sen(x). Es importante resaltar la precisin de esta, y adems, el hecho de ser f una funcin par para lo cual este resultado extiende su precisin fuera del intervalo establecido para la aproximacin.