Variable Lingüística y Reglas Difusas If-Then

Unidad 3
SISTEMA DIFUSO Y SUS

PROPIEDADES
3.1 Variable Lingstica y Reglas
Difusas If-Then
3.1.1 De Variables Numricas a
Variables Lingsticas.
3.1.2 Hedges Lingstico.
3.1.1 De variables numricas a

variables lingsticas
Generalmente
en la vida cotidiana, las palabras

frecuentemente son utilizadas para describir
variables.
Por
ejemplo:
Hoy
hace calor, o
equivalentemente la temperatura es alta hoy, se
utiliza la palabra alta para describir la variables
temperatura hoy.
Esto es, la variable temperatura hoy toma la
palabra alta como su valor.
Tambin,
la variable temperatura hoy

puede tomar nmeros como sus valores:
25C, 19C, etc.
Cuando
una variable toma palabras en

lenguaje natural como sus valores, es
llamada variable lingstica.
Definicin 3.1:
Si
una variable puede tomar palabras en

lenguaje natural como sus valores, se
denomina una variable lingstica, donde
las palabras son caracterizadas por
conjuntos difusos definidos en el universo
de discurso en el cual la variable es
definida.
Ejemplo 3.1
La
velocidad de un carro es una variable x

que toma valores en el intervalo [0, Vmax],
donde Vmax es la mxima velocidad del
carro. Se definirn tres conjuntos difusos:
baja, media, y rpida en [0, Vmax]
como se muestra en la figura 3.1. Si x es
una variable lingstica, entonces se puede
tomar baja, media y rpida como sus
valores.
Por
lo que, se puede decir que x es

pequea, x es mediana, y x es rpida.
Por su puesto, x tambin puede tomar
nmeros en el intervalo [0, Vmax] como sus
valores, por ejemplo, x = 50 mph, 35 mph,
etc.
baja
media
rpida
Velocidad del carro (mph)
0
35
55
75
Vmax
Figura 3.1 La velocidad de un carro como una variable lingstica que

puede tomar conjuntos difusos baja y rapida como sus valores.
La
definicin 3.1 da una simple e intuitiva

definicin para variables lingsticas. En la
literatura de la teora difusa, una definicin ms
formal de una variable lingstica es la propuesta y
empleada por Zadeh.
Definicin 3.2:
Una
variable lingstica es caracterizada por

(X, T, U, M) donde:
X es el nombre de la variable lingstica; en el
ejemplo 3.1, X es la velocidad del carro.
T es el conjunto de valores lingsticos que X puede
tomar; en el ejemplo 3.1, T = {baja, media, rpida}.
U es el dominio fsico actual en el cual la variable
lingstica X toma sus valores cuantitativos (crisp);
en el ejemplo 3.1, U = [0, Vmax].
M es una regla semntica que relaciona cada valor
lingstico en T con un conjunto difuso en U; en el
ejemplo 3.1, M relaciona baja, media, rapida
con las funciones de membresa mostradas en la Fig.
3.1.
De
las dos definiciones anteriores se puede

ver que las variables lingsticas son
extensiones de variables numricas en el
sentido de que pueden tomar los conjuntos
difusos como sus valores, como se muestra
en la Fig. 3.2.
Variable numrica
U
Figura
Variable lingstica
3.2 De variables numricas a variables

lingsticas
Porqu es importante el concepto

de variable lingstica?
Por
que
las variables lingsticas son los
elementos ms fundamentales en la representacin
del conocimiento humano.
Por ejemplo, cuando se utiliza una pistola radar
para medir la velocidad de los carros sta entrega
nmeros como, 39mph, 42mph, etc.; cuando se le
pregunta a una persona que diga cual es la
velocidad de un carro, el/ella con frecuencia dice
en palabras algo como es rpida, es baja, etc.
Por lo tanto, al introducir el concepto de variable
lingstica, se pueden formular descriptores vagos
en lenguaje natural en trminos matemticos
precisos.
Variables Lingsticas Y Otras

Terminologas Relacionadas
La
Variable Lingstica (VL) juega un

papel
importante
en
muchas
aplicaciones, especialmente en:
Sistemas Expertos Difusos, y
Control Lgico Difuso.
Bsicamente,
una VL es una variable

cuyos valores son palabras u oraciones
en un lenguaje natural o artificial.
Variable Difusa
Una
Variable Difusa esta caracterizada por

tres partes (X, U, R(X)), donde:
X es el nombre de la variable,
U es el universo de discurso, y
R(X) es un subconjunto difuso de U,
el cual representa una restriccin
difusa impuesta a X.
Ejemplo 3.2:
X = Viejo con U = {10, 20,...,80},
y
R(X) = 0.1/20+0.2/30+0.3/40+0.4/50+
0.8/60+1.0/70+1.0/80,
es una restriccin difusa de Viejo.
Variable Lingstica
La
VL es una variable de orden mayor

que una variable difusa, y toma
variables difusas como sus valores.
Una
VL se caracteriza por una

quntupla (x, T(x), U, G, M), donde:
Variable Lingstica
x
es el nombre de la variable;
T(x)
es el conjunto termino de x, esto

es el conjunto de nombres de valores
lingsticos de x donde cada valor es
una variables difusa definida sobre U;
Variable Lingstica
G
es una regla sintctica que genera

los nombres de los valores de x;
M es una regla semntica para

asociar cada valor de x con sus
significados.
Ejemplo 3.3:
Si
velocidad se interpreta como una VL con

U =[0,100], o sea, x=velocidad, Entonces
su conjunto termino T(velocidad) puede ser:
T(velocidad) = {Muy Lento, Lento,
Moderado, Rpido, ...}.
...
La
regla sintctica G para generar los

nombres (o las etiquetas) de los elementos
en T(velocidad)
es completamente
intuitiva.
La
regla semntica M puede ser definida

como:
...
M(Lento)
= el conjunto difuso para una

velocidad abajo cercana a 40 mph con una
funcin de membresa Lento .
M(Moderado)
= el conjunto difuso para

una velocidad cercana a 55 mph con una
funcin de membresa Moderado .
...
M(Rpido)
= el conjunto difuso para una

velocidad arriba de 70 mph con una
funcin de membresa Rpido .
Estos
trminos
pueden
ser
caracterizados por los conjuntos
difusos cuyas funciones de membresa
son mostradas en la siguiente figura:
Trminos De La VL Velocidad
Figura 3.3 Representacin de la variable lingstica del

ejemplo 3.3
Variable Lingstica
En
el anterior ejemplo, el conjunto

termino solamente contiene un numero
pequeo de trminos, y as es en la
practica la lista de trminos de los
elementos de T(x), la cual realiza una
asociacin directa
entre
cada
elemento y su significado M .
Variable Lingstica
Una
VL x se dice que es estructurada

si su conjunto termino T(x) y su regla
semntica M se pueden caracterizar
va un algoritmo, de tal forma que
pueden
ser
vistas
como
un
procedimiento para generar los
elementos
T(x)
y calcular el
significado de cada termino T(x).
3.1.2 Hedges Lingsticos

Con
el concepto de variable lingstica, se

puede tomar palabras como valores de
variables (lingsticas). En la vida diaria,
frecuentemente se utiliza ms de una
palabra para describir una variable. Por
ejemplo: si se tiene la velocidad de un carro
como una variable lingstica, entonces sus
valores deberan ser no lenta, muy
lenta, escasamente rpida, ms o menos
media, etc.
En
general, el valor de una variable

lingstica es un trmino compuesto x = x1
x2 ...xn lo cual es un a concatenacin de un
trmino atmico x1, x2, ..., xn. Este trmino
atmico puede ser clasificado en tres
grupos:
Trminos Primarios, los cuales son etiquetas de
conjuntos difusos, en el ejemplo 3.1 eran baja,
media y rpida.
Complemento no y las conectivas y y o.
Hedges, tales como very, slightly, more or
less, etc.
Modificadores Lingsticos
(hL)
Por
lo tanto, hL es un operador para

modificar el significado de un conjunto
difuso A para crear un nuevo conjunto
difuso h(A) .
Ejemplo:
Muy Joven, Muy es un hL.
Operaciones en Conjuntos
Difusos
Las
siguientes operaciones en conjuntos

difusos son utilizadas en la definicin de un
hL: Concentracin: CON(A); si A es un
conjunto difuso en U, entonces very A se
define como un conjunto difuso en U con la
funcin de membresa:
CON ( A ) (u ) A u
very A (u ) A (u )
(3.1)
Difusos
Y
more or less A es un conjunto

difuso en U con la funcin de
membresa:
1/ 2
mere or less A (u ) A u
(3.2)
Dilatacin:
DIL(A)
DIL( A ) (u ) A u
1/ 2
Ejemplo 3.4
Si
U = {1, 2, ..., 5} y el conjunto difuso

pequeo se define como:
Pequeo =1/1 +0.8/2 + 0.6/3 +0.4/4 + 0.2/5
Entonces
tiene que:
utilizando las Ecs. (3.1) y (3.2) se
Muy pequea = 1/1 +0.64/2 + 0.36/3 + 0.16/4 + 0.04/5

Muy muy pequea = 1/1 + 0.4096/2 + 0.1296/3 +
0.0256/4 + 0.0016/5
Ms o menos pequea = 1/1 + 0.8944/2 + 0.7746/3 +
0.6325/4 + 0.4472/5
Difusos
Otras
operaciones son:
Intensificacin: INT(A)
INT( A ) (u )
2 A u 2 , A u 0,0.5
1 21 A u , de otra forma
2
(3.3)
Algunos hL
VERY(A)
= CON(A) = A2,
HIGHLY(A) = A3,
FAIRLY (MORE OR LESS) = DIL(A) = A1/2,
ROUGHLY(A) = DIL[DIL(A)],
PLUS(A) = A1.25,
MINUS(A) = A0.75,
Algunos hL
RATHER(A)
= INT[CON(A)] AND
NOT[CON(A)],
SLIGHTLY(A) = INT[PLUS(A) AND NOT
VERY(A)],
SORT OF(A) = INT[DIL(A)] AND
INT[DIL(NOT(A))],
PRETTY(A) = INT(A) AND
NOT[INT(CON(A))],
Los
conjuntos difusos resultantes

deberan ser normalizados si el
modificador (hL) no es igual a 1.
Figura 3.4 Efectos de los modificadores sobre

el conjunto difuso TALL
Modificadores Lingsticos
Con
la ayuda de los hL, se puede

definir un conjunto trmino de una VL,
por ejemplo:
T(edad) = {Viejo, MUY Viejo, MUY
MUY Viejo,...},
En el cual a Viejo se le conoce
como Trmino Primario
la regla sintctica correspondiente G, la

cual puede generar recursivamente el
conjunto trmino T(edad), puede ser el
siguiente algoritmo recursivo:
Ti+1 = {Viejo}{MUY Ti},
i=0, 1, 2,...,
Donde T0=, Por ejemplo, for i= 0,1,2,3 se tienen:
T0 = ,
T1 = {Viejo},
T2 = {Viejo, MUY Viejo},
T3 = {Viejo, MUY Viejo, MUY MUY Viejo}.
Adems,
la regla semntica M que puede

asociar a cada Ti un significado puede ser
el siguiente algoritmo recursivo:
M(Ti+1) = M(T i) Viejoi+1 ,
Considerando
i=1,2,3,...
las
dos
expresiones
anteriores, Edad se considera una
variable lingstica estructurada.
Ejemplo : Variables Lingsticas Y

Valores Lingsticos.
Si
edad es interpretada como una

variable lingstica, entonces su
conjunto trmino T(edad) puede ser:
joven, no joven, muy joven, no muy joven, ,
medio viejo, no medio viejo, ,
T edad
viejo
,
no
viejo
,
muy
viejo
,
mas
o
menos
viejo
,
no
muy
viejo
,
no muy joven y no muy viejo,
Donde
cada termino en
T(edad)
se
caracteriza por un conjunto difuso de un
universo de discurso X = [0, 100], como se
muestra en la siguiente Fig.
Del
ejemplo anterior, se observa que el

conjunto termino consiste de varios
trminos primarios (joven,
viejo)
modificados por la negacin ("no")
y/o los adverbios (muy, mas o menos,
completamente, extremadamente, etc.),
y entonces ligados por conectivas tales
como y, o, y ni.
Universo De Discurso
Establecimiento Del Universo De

Discurso Para Las Variables
Lingsticas
Se
especifica el universo de discurso

para una variable de entrada y/o salida,
cmo el rango de valores posibles que
puede tomar la variable en cuestin
para la aplicacin actual.
Dado
que el universo de discurso para cada

variable debe ser trasladado a variables
lingsticas (conjuntos difusos (CD)), se ha
tratado de normalizar que el nmero de
conjuntos difusos definido para cada
variable
sea
un
nmero
impar,
recomendando que se inicie especificando
7 conjuntos para cada variable.
La
determinacin final del nmero de

conjuntos difusos definidos para cada
variable se determina heursticamente, pues
an cuando se conocen los efectos de tener
pocos o muchos conjuntos definidos en el
universo, finalmente se establecen los
conjuntos definitivos observando un
funcionamiento satisfactorio del sistema.
Se
recomienda especificar una

cantidad de conjuntos difusos ms
densa en aquellas zonas donde se
requieran cambios grandes en los
parmetros de salida del sistema a
cambios pequeos de sus parmetros
de entrada.
Una
de las cualidades que caracterizan a los

sistemas difusos es el manejo de
informacin ambigua, esta caracterstica la
adquieren debido a la forma en que se
especifican los conjuntos difusos cubriendo
el universo de discurso de las variables de
entrada y/o salida,
por lo que la
ambigedad que puede ser admitida por
el sistema depende del grado de traslape
entre los conjuntos definidos.
Respecto
del grado de traslape que deben

tener dos conjuntos contiguos,
se
recomienda en 25% del rea total al
inicio
del desarrollo (conjuntos
simtricos), an cuando se sabe que el
funcionamiento del sistema no es muy
bueno con estos conjuntos, tambin se
recuerda que esto no es una generalizacin,
pues su adecuacin depende del grado de
precisin deseado en la respuesta del
sistema.
Consideraciones para la
especificacin de los CDs:
1)
Cada punto en el universo de discurso

debe pertenecer al dominio de al menos una
funcin de membresa; al mismo tiempo,
debe pertenecer al dominio de no ms de
dos funciones de membresa.
2) Ningn par de funciones de membresa
deben tener el mismo punto de mxima
membresa.
Cconsideraciones para la
especificacin de los CDs:
3)
Cuando dos funciones de membresa se

traslapan, la suma de los grados de
membresa para cualquier punto en el
traslape debe ser menor o igual a uno.
4) Cuando dos funciones de membresa se
traslapan, el traslape no debe cruzar el punto
de mxima membresa de cualquier funcin
de membresa.
Durante
la especificacin de los conjuntos

difusos que cubren los extremos inferior
(funcin Z) y superior (funcin S) del
universo de discurso considerado, es de
gran importancia que se hagan de una
manera adecuada, ya que estas funciones
son muy importantes para la estabilidad del
funcionamiento del sistema, pues evalan
las situaciones extremas consideradas para
el establecimiento del universo de discurso.
Unidad 3
PROPIEDADES
3.1 Variable Lingstica y Reglas
Difusas If-Then
3.1.3 Fundamentos de Reglas
Difusas.
3.1.4 Dos Tipos de Reglas Difusas.

Difusas.
Una
regla difusa if-then es un esquema de

representacin de conocimiento para capturar el
conocimiento
(generalmente
conocimiento
humano) que es impreciso e inexacto por
naturaleza.
Esto se logra al utilizar las variables lingsticas
para describir condiciones elsticas (condiciones
que pueden ser satisfechas por un grado) en la
parte if de la regla difusa.
La
caracterstica principal de la inferencia difusa

basada en reglas es su capacidad para ejecutar
inferencia bajo una combinacin (matching)
parcial.
Esto es, se calcula el grado del dato de entrada al
combinar las condiciones de una regla. La Fig. 3.5
ilustra una forma de calcular el grado de
combinacin entre una entrada difusa A y una
condicin difusa A:
matching deg ree ( A, A' ) sup min A x , A' x
x
(3.4)
Figura 3.5 Proyectando una entrada difusa A con una

condicin difusa A
El
grado de combinacin (matching degree) es

combinado con el consecuente (la parte then) de
una regla para formar una conclusin inferida por
la regla difusa.
A mayor grado de combinacin, ms cercana la
conclusin inferida al consecuente de la regla.
Las palabras juegan un papel importante en los
sistemas basados en regla. La condicin elstica y
el consecuente de una regla difusa frecuentemente
son descritas con palabras (etiquetas lingsticas)
cuyos significados son imprecisos.
Dichas
palabras facilitan la extraccin y la

documentacin del conocimiento humano en una
forma fcil y explicita, especialmente los que son
imprecisos por naturaleza.
Las
palabras en las reglas difusas difieren de los

smbolos en las reglas clsicas de la inteligencia
artificial (AI) el significado de los simbolos para
una variable numrica frecuentemente es descrito
utilizando intervalos, mientras que el significado de
las palabras en una regla difusa es caracterizado
mediante funciones de membresa que suavisan las
fronteras estrictas de los intervalos.
3.1.4 Dos Tipos de Reglas

Difusas
Existen
dos tipos de reglas difusas: 1) reglas de

proyeccin difusa, y 2) reglas de implicacin
difusa.
Una
regla de proyeccin difusa describe una

relacin de proyeccin funcional entre las entradas
y una salida utilizando trminos lingsticos,
mientras una regla de implicacin difusa describe
una relacin de implicacin lgica generalizada
entre dos formulas lgicas que involucran
variables lingsticas y trminos lingsticos
imprecisos.
El
fundamento de una regla de proyeccin

difusa es una grafica difusa, mientras que la
base de una regla de implicacin difusa es
en el sentido limitado de la lgica difusa (no
general; referido a una generalizacin de los
sistemas lgicos clsicos de dos-valores).
Los dos tipos de reglas difusas tambin
estn relacionados a diferentes disciplinas.
Las
reglas de proyeccin difusa son

relacionadas
a
otras
tcnicas
de
aproximacin de funciones en sistemas de
identificacin
y
redes
neuronales
artificiales, mientras que las reglas de
implicacin difusa son relacionadas a la
lgica clsica de dos-valores y a la lgica
multivaluada.
Unidad 3
PROPIEDADES
Material Anexo a
3.1.3 Fundamentos de
Reglas Difusas.
Lgica Difusa Y
Razonamiento
Aproximado
3.1.4.1 Reglas de Proyeccin

Difusa
En
muchos problemas del mundo real, se busca la

relacin funcional entre un conjunto de parmetros
observables y uno o varios parmetros cuyos
valores se desconocen.
Los controladores lgicos difusos utilizan reglas
que aproximan una proyeccin (tpicamente no
lineal) desde el estado observado a una accin de
control deseada. De hecho, la mayora de las
aplicaciones industriales de lgica difusa utilizan
reglas de proyeccin difusa.
Cuando
se quiere aproximar una funcin,

una regla difusa puede aproximar un
segmento pequeo de la funcin, la funcin
entera es aproximada por un conjunto de
reglas de proyeccin difusas. A la coleccin
de reglas de proyeccin difusa se le conoce
como modelo basado en reglas difusas o
simplemente modelo difuso.
La
diferencia principal entre las reglas difusas y

las reglas no difusas para la aproximacin de una
funcin cae en sus capacidades de razonamiento
interpolativo, el cual permite que la salida de una
regla difusa multiple sea unificada para una
entrada dada. El concepto de razonamiento
interpolativo se puede ver como un tipo de
modelado basado en particiones en sistemas de
identificacin.
Las
tcnicas para la aproximacin de una funcin

puede ser clasificadas en tres categoras: tcnicas
globales, tcnicas de super-imposicin, y tcnicas
basadas en particin.
La aproximacin de una funcin basada en reglas
difusas es una tcnica basada en particin.
Generaliza la particin clsica al permitir una
subregin de traslape
parcial con las
subregiones vecinas. Se referir a sta como una
particin difusa. En la regin donde se traslapan
las subregiones parcialmente la una con la otra, la
funcin es aproximada utilizando un tipo de
tcnica de interpolacin.
3.1.4.2 Reglas de Implicacin

Difusas
Las
reglas de implicacin difusas son una

generalizacin de la implicacin en lgica de
dos valores.
La inferencia de las implicaciones difusas
generaliza dos tipos de inferencia lgica utilizando
las implicaciones en lgica clsica: modus ponens
y modus tollens. A continuacin se ilustrar
brevemente estas inferencias lgicas utilizando la
siguiente implicacin:
IF el IQ de una persona es alto THEN la persona es

inteligente.
Dada
la implicacin y el hecho de que El

IQ de Juan es alto, el modus ponens
posibilita el poder inferir que Juan es
inteligente.
Por otro lado, si se tiene la implicacin y el
hecho de que Juan no es inteligente, el
modus tollens posibilita el poder inferir que
El IQ de Juan no es alto.
Limitaciones en la Lgica Clsica

Si
bien, en la lgica clsica se pueden ejecutar los

dos tipos de inferencia mencionados, ellos estn
limitados en dos formas. Primero, dichas
inferencias insisten en combinaciones perfectas. Si
el IQ de Juan es mas o menos alto, por ejemplo, no
se puede llevar a cabo la inferencia con el modus
ponens de la implicacin planteada debido a que
mas o menos inteligente no es identico a
inteligente. Sin embargo, nuestro sentido
comun de razonamiento generalmente sugiere
que se puede inferir que Juan es mas o menos
inteligente.
Segundo,
dichas inferencias no pueden

manejar la incertidumbre. Por ejemplo, si
Juan dice que su IQ es alto pero no puede
presentar algn documento que avale su
afirmacin, se tendra algo de incertidumbre
acerca de su afirmacin. Sin embargo, bajo
tales circunstancias, la lgica no puede
razonar a cerca de la incertidumbre.
Esquema de Razonamiento de L. A.
Zadeh:
Las
limitaciones que presenta la lgica clsica

motivaron a L. A. Zadeh a desarrollar un esquema
de razonamiento que generaliza la lgica clsica,
tal que:
(1) se pueda dirigir o manejar el razonamiento de
sentido-comn bajo un ajuste parcial, y (2) se
pueda razonar acerca del grado de certidumbre de
una declaracin.
En
particular, las implicaciones lgicas son

generalizadas para permitir un ajuste o
combinacin parcial. En el ejemplo, esto
significa que se puede inferir que Juan es
algo inteligente de el IQ de Juan es algo
alto y la implicacin difusa IF el IQ de
Juan es alto, THEN Juan es inteligente,
como se muestra a continuacin:
Dado: El IQ de Juan es alto Juan es inteligente.

El IQ de Juan es algo alto.
Inferencia: Juan es algo inteligente.
La segunda limitacin de la lgica clsica (la no

habilidad de tratar con la incertidumbre) ha
motivado otra extensin de la lgica clsica: la
lgica multivaluada.
La
lgica difusa difiere de la lgica

multivaluada en que tambin maneja la
primera limitacin de la lgica clsica (la
restriccin a un ajuste perfecto).
La razn de que una implicacin difusa
pueda manejar el primer problema es que
utiliza las variables lingsticas en sus
antecedentes (parte IF).
Consecuentemente,
la declaracin en el
antecedente describe una condicin elstica
que puede ser satisfecha parcialmente.
En
el ejemplo, El IQ de una persona es

una variable lingstica en el antecedente, y
el IQ de una persona es alto describe una
condicin elastica acerca del IQ de una
persona.
Lo
anterior posibilita a una persona con un

IQ algo alto a ajustar parcialmente la
condicin. Obviamente, el grado para el
cual la condicin en una implicacin difusa
es ajustada influye en la inferencia que
puede ser hecha de la implicacin difusa.
Las
distinciones entre las reglas de

implicacin difusa y las reglas de
proyeccin difusas son sutiles, ms sin
embargo importante.
El
Prof. Zadeh menciona que la lgica difusa tiene

cuatro facetas principales:
(1) la faceta lgica, (2) la faceta de teora de
conjuntos, (3) la faceta relacional, (4) la faceta
epistemic.
Las
reglas de implicacin difusa estn

primariamente en la faceta lgica, mientras que las
reglas de proyeccin difusa estn en la faceta
relacional por que la proyeccin funcional es un
tipo de relacin.
Se resumen algunas de las principales diferencias entre

estos dos tipos de reglas difusas en la tabla 3.1.
Tabla 3.1 Comparacin de dos Tipos de reglas Difusas.

Reglas de Implicacin
Difusa
Reglas de Proyeccin
Difusa
Propsito
Generalizacin de
Implicaciones para el
manejo de imprecisin
Aproximar proyecciones
funcionales
Inferencia Deseada
Generalizacin del modus

ponens y modus tollens
nicamente directa
Aplicacin
Diagnsticos, realizacin de
decisiones de alto nivel
Control, modelado de
sistemas y procesamiento de
seales
Disciplinas Relacionadas
Lgica clsica, lgica

multivaluada, (otros
sistemas lgicos ampliados)
Sistemas ID, interpolacin

lineal, redes neuronales
Diseo tpico aproximado
Individualmente diseado
Diseado como un conjunto

de reglas
Campos de Problemas
Apropiados
Dominios con variables

continuas y discretas
Dominios continuos nolineales
Unidad 3
PROPIEDADES
Material Anexo a:
3.1.4.2 Reglas de
implicacin difusa.
Implicaciones difusas y el
razonamiento aproximado
Modelos Basados en ReglasDifusas

para Aproximar una Funcin
Por
conveniencia se referir a un modelo que

describa una relacin de proyeccin funcional
utilizando un conjunto de reglas de proyeccin
difusas como un modelo difuso basado-en reglas,
o simplemente modelo difuso.
Un
modelo difuso describe una proyeccin

(funcin) de un conjunto de variables de entrada a
un conjunto de variables de salida.
Qu es un modelo difuso?
Un
modelo difuso es un modelo que se

obtiene por la fusin de mltiples modelos
locales que son asociados con sub-espacios
difusos del espacio de entada dado.
Un
sub-escacio difuso es una regin cuya

frontera permite una transicin gradual
desde dentro de la regin hacia fuera de
la regin.
Por
lo tanto, generalmente un sub-espacio

difuso est parcialmente traslapado con sus
vecinos sub-espacios difusos.
Un
modelo difuso contiene un conjunto de

sub-espacios difusos que forman una
descomposicin difusa (tambin llamada
particin difusa) del espacio de entrada.
El
resultado de la fusin de mltiples modelos

difusos generalmente es una conclusin difusa, la
cual es convertida a una salida crisp final a travs
de un proceso de defusificacin.
Por
todo lo anterior, los cuatro conceptos

principales en los modelos difusos basados en
reglas son: (1) Particin difusa, (2) proyeccin de
sub-regiones difusas a modelos locales, (3) fusin
de mltiples modelos locales, (4) defusificacin.
Unidad 3
PROPIEDADES
Material Anexo a:
Modelos Basados en
ReglasDifusas

ESTRUCTURA BSICA Y
OPERACIN DE LOS SISTEMAS DE
CONTROL LGICOS DIFUSOS
(1) Particin Difusa

Una
particin clsica de un espacio es una

coleccin de sub-espacios separados cuya
unin es el espacio entero.
X2
J3
A13
J2
A12
J1
A11
I1
A23
A22
A33
A32
A21
A31
I2
I3
A43
A42
A41
I4
Figura 3.6 Ejemplo de Particin Clsica
X1
En
la Fig. 3.6 se ejemplifica la particin clsica

para un espacio de entrada, el cual toma en cuanta
dos variables X1 y X2 .
La
particin se construye al dividir primeramente el

eje X1 en cuatro intervalos, y despus el rango X 2
en tres intervalos. En cada par de intervalos I k y Jl
se especifica un sub-espacio Akl que puede ser
descrito como: X1 Ik y X2 Jl .
Una
particin difusa generaliza la particin

clsica de tal forma que la transicin entre
un sub-espacio y otro vecino es suave.
Como se vera despus, esta generalizacin
posibilita lo que se conoce como: el
razonamiento interpolativo en los modelos
difusos.
La
Fig. 3.7 muestra una particin difusa para un

sistema que controla el contraste de una TV basada
en dos entradas: (1) la distancia entre la persona y
la TV, y (2) la iluminacin en el cuarto.
La distancia entre la persona y la TV se denota por
d, y es clasificada por tres conjuntos difusos: cerca,
medio, y lejos.
La brillantes en el cuarto se denota por b, y es
clasificada por dos conjunto difusos: claro y
oscuro.
La
particin difusa del espacio de entrada

completo est formado por seis subregiones difusas especificadas por parejas
de conjuntos difusos, (una para cada
variable). La Fig. 3.7 muestra dos de las
seis sub-regiones difusas:
d es medio y b es oscuro.
d es lejos y b es oscuro.
Membresa
Cerca
Medio
Lejos
Oscuro
Distancia entre la
persona y la TV (d)
Claro
Iluminacin o
Brillantes del cuarto
(b)
Figura
3.7 Ejemplo de Particin difusa
Una
particin difusa de un espacio es una

coleccin de sub-espacios difusos cuyas fronteras
estn parcialmente traslapadas y cuya unin es el
espacio entero.
Aun que existen diferentes operadores para
escoger y realizar la operacin de unin en
conjuntos difusos, el que es ms factible de para
definir la particin difusa es el operador de
adicin.
As es que, se puede formalmente definir la
particin difusa de espacios S como una coleccin
de sub-espacios difusos Ai de S que satisface la
siguiente condicin:
x 1
Ai
x S
(3.5)
Esto
es, para cualquier elemento de un espacio, su

grado de membresa en todo el sub-espacio
siempre tendera a 1.
Asumiendo que se utiliza el operador aditivo para
calcular la unin, es fcil mostrar que la condicin
de la Ec. (3.5) es equivalente a:
Ai S
i
(3.6)
Aun
que muchos sistemas difusos desarrollados en

el mundo real satisfacen la Ec. (3.5), no todos los
investigadores en la comunidad de la lgica difusa
adoptan dicha definicin para la particin difusa.
Una
definicin ms simple de la particin difusa es

la que remplaza la condicin suma-a-uno de la Ec.
(3.5), con la condicin que el grado de membresa
en todo el subespacio sumar un nmero ms
grande que 0, pero no que 1.
Se
llamar una coleccin de subconjuntos difusos

Ai de S una coleccin difusa dbil de S si y solo si
satisface la siguiente condicin:
0 Ai x 1
La
x S
(3.7)
condicin ms grande que 0 requiere que

cada elemento en el espacio S sea cubierto por al
menos un subespacio difuso en lo particular.
Intuitivamente,
esto significa que una particin

difusa no deja ningn hueco .
La condicin suma a 1 de una particin difusa
puede ser relajada a la condicin suma menor o
igual a 1 debido a que el razonamiento
interpolativo de un modelo difuso incluye un paso
de normalizacin.
Es obvio que una particin difusa siempre es una
particin difusa dbil, pero no viceversa.
NOTA:
Al
generalizar la capacidad de razonamiento

interpolativo en la lgica difusa utiliza tanto
la distancia como el grado de
membresa (en vez de utilizar solo el
grado de membresa), los investigadores en
lgica difusa han generalizado la notacin de
la particin difusa al quitar la condicin
ms grande que 0, por ejemplo:
A ( x) 1
i
Esto
es porque aun si un elemento x no es cubierto

por cualquier subespacio difuso, el razonamiento
interpolativo basado en distancia todava puede ser
ejecutado en x al utilizar subespacios en la
particin difusa que sean cercanos a x.
Sin embargo, el trmino particin difusa, puede
no ser apropiado para describir tales conjunto de
un subespacio difuso porque su analoga con la
notacin convencional de particin es muy
debil.
Un termino ms apropiado puede ser casos
difusos o parches difusos.
Es
importante enfatizar que particin

difusa y razonamiento interpolativo son
como las dos caras de una moneda.
Al
extender una generalmente se extiende la

otra. Las dos juntas hacen posible para la
lgica difusa aprovechar el compromiso
entre el costo y la precisin.
(2) Proyeccin de un Subespacio

Difuso a un Modelo Local
Un
modelo local para un subespacio del

espacio de entrada total describe la relacin
de proyeccin entre las entrada y las salidas
del sistema en el subespacio pequeo.
Un modelo global para un espacio de
entrada describe la relacin entrada-salida
del sistema para el espacio de entrada total.
Ya
que la amplitud del modelo local es

menor que el de un modelo global,
generalmente es ms fcil desarrollar un
modelo local. En particular, un modelo
global no-lineal (cuya funcin de
proyeccin entrada-salida no es lineal)
frecuentemente puede ser aproximado por
un conjunto de modelos locales lineales.
3.1.5 Fundamentos Tericos de

Reglas de Proyeccin Difusa
Material Anexo a
Difusas.
Lgica Difusa Y Razonamiento
Aproximado
Lgica Difusa
La
Lgica es una base para el

razonamiento. La lgica bivalente
clsica trata con proposiciones
las cuales pueden ser verdaderas
(valor lgica 1) o falsas (valor
lgico 0), lo que se conoce como
valor de verdad de la proposicin.
En
general, las proposiciones

son oraciones expresadas en
algn lenguaje y pueden ser
representadas en una forma
cannica:
x es P,
x
es el sujeto y P designa el
predicado el cual caracteriza una
propiedad del sujeto.
Operaciones Lgicas
Las
operaciones
lgicas
son
funciones
(lgicas)
de
dos
proposiciones y son definidas va
Tablas de Verdad.
Si se tienen dos proposiciones A
y
B, las cuales pueden ser verdaderas o
falsas. Entonces se pueden tener
cuatro operaciones lgicas bsicas
que son:
conjuncin (), A y B.
La disyuncin (), A o B.
La implicacin (o condicional)
(), si A entonces B.
La equivalencia (o bidireccional)
(), A si y solo si B.
La
Razonamiento Lgico
El
procedimiento de razonamiento es
realizado a travs de algunas reglas
de inferencia. Algunas reglas de
inferencia importantes son:
(A (AB))B (modus ponens)
(B (AB))A
(modus tollens)
((AB)(BC))(AC) (silogismo
hipottico)
El
resultado de las proposiciones

anteriores siempre es cierto no
importando cuales sean los valores
de verdad de las proposiciones A y B.
El
modus ponens se utiliza para el

control difuso; y el modus tollens
se utiliza en sistemas expertos.
Generalidades de un sistema
experto difuso
Un
sistema experto consiste de

una base de conocimiento y de
una maquina de inferencia. La
base de conocimiento puede ser
descompuesta en una base de
datos y una base de reglas.
La
importancia de los sistemas

llamados "sistemas expertos
difusos",
radica
en
sus
habilidades de poder representar
y razonar con imprecisin, lo
cual es inherente a los sistemas
expertos.
Base de conocimiento en la
Lgica Difusa.
Un
hecho general en una base de

conocimiento, especifica el valor
de algn atributo para algn objeto
que tenga la forma:
X es A,
donde X denota una variable que
toma sus valores dentro de algn
universo U, y A representa un
conjunto difuso en U.
Un
hecho general X es A, es
transformado en una ecuacin de
asignacin R (X) = A, lo que
significa que el conjunto difuso
A
es considerado como una
restriccin difusa "R (X)", sobre
los valores que la variable X
pueda tomar.
En
el marco de la teora de la
posibilidad un hecho de la forma
X es A, es traducido en una
ecuacin
de
asignacin
de
posibilidad:
A
X
es la posibilidad de que X tome el

valor u, dada la informacin de X es
A
Una
de las ventajas de los

sistemas expertos difusos es que
no es necesario un ajuste
perfecto entre los antecedentes
de las reglas y la informacin
dada acerca de una de sus
variables.
Por
ejemplo, un hecho podra ser

de la forma X es A, donde A es
un subconjunto difuso de U y
AA.
Entonces,
las
dos
piezas
de
informacin dentro de la base de
conocimiento, X es A y Si X es
A entonces Y es B, podran ser
ligadas por medio de una conectiva
adecuada, para poder obtener
informacin acerca de Y.
Es
as, que a partir de esta

informacin se pueden inferir las
restricciones sobre Y, mediante
su proyeccin en
B.
Esto
conlleva, a los modus ponens
generalizados (MPG).
Modus Ponens Generalizado

Los
modelos matemticos en los que

se basa la inferencia difusa, provienen
de la lgica proposicional, la cual es
una rea de la lgica tradicional que
trata con las condiciones de variables
lgicas que representan proposiciones
y que se extienden hacia la lgica
difusa,
a
travs
del
uso
de
proposiciones
que
se
expresan
mediante un lenguaje sinttico.
Uno
de los principales objetivos

de la lgica proposicional es el
estudio de las reglas mediante
las cuales se pueden producir
nuevas variables lgicas en
funcin de otras variables lgicas
dadas.
Existe
una regla bsica de

implicacin difusa, comnmente
utilizada en el razonamiento
aproximado, llamada modus
ponens generalizados (MPG).
El
modus ponens establece

que, dadas dos proposiciones
a y a b llamadas premisas,
donde representa a alguna
funcin de implicacin o relacin
difusa, el valor de verdad de la
proposicin b o conclusin
puede ser inferido.
Para
entender el significado del MPG,

considrese una base de hechos y
una base de reglas que contengan
informacin imprecisa. Los hechos
pueden ser representados de la
forma
X es A (donde
X,
representa a una variable o sujeto y
A es un conjunto difuso o predicado
difuso).
Respecto a las reglas que se utilizan ms

comnmente en los sistemas de control
difusos, generalmente stas se proponen bajo
el siguiente esquema:
S
< condicin/ones >, ENTONCES <accin/es> (A.1)
En un lenguaje natural se tiene:
donde:
A
y B son
universos U
Si X es A, entonces Y es B
(A.2)
conjuntos difusos definidos en los

y V (ent/sal) respectivamente.
La
regla de la ecuacin (A.1) es vista

tambin
como
una
proposicin
condicional cannica, la cual induce
una
distribucin
de
posibilidad
condicional de Y dada X, denotada
por:
Y X
En
la lgica difusa el modus ponens

se formula mediante la llamada
regla
composicional
de
inferencia,
la cual permite
calcular
la
distribucin
de
posibilidad de Y es B, dadas la
distribucin condicional de S X
es A, entonces Y es B y la de
X es A.
Esta
regla equivale a la operacin

de
composicin
realizada
mediante:
R A v supmin A u , R u , v v V
uU
La
formulacin ms general de reglas

se simboliza mediante el esquema de
Modus ponens.
Material Anexo a
Difusas.
Lgica Difusa Y Razonamiento
Aproximado
Material Anexo a
Difusa.
Lgica Difusa y
Razonamiento
Aproximado:
Proposiciones Difusas
Para proveer la capacidad del
razonamiento aproximado, la lgica

difusa permite la utilizacin de
predicados difusos, modificadores
de
predicados
difusos,
cuantificadores
difusos,
y
calificadores difusos
en las
proposiciones.
Predicados Difusos
En la LD, el predicado puede ser difuso,
por ejemplo: Alto, Joven, Pronto, Amigo

de,
Por lo tanto, se puede tener una
proposicin como Mara es Joven.
La mayora de los predicados en

lenguaje natural son Difusos.
Modificadores De Predicados
Difusos
En lgica clsica el nico modificador es la
negacin, NO.
En la LD adems existe: VERY, RATHER,
MORE OR LESS, SLIGHTLY, A LITTLE,
EXTREMELY.
Tales modificadores se utilizan para

generar los valores de
lingstica.
This house is EXTREMELY
una
variable
Expensive
Cuantificadores Difusos (CD)

En LD un CD se interpreta como un
nmero difuso o una proporcin difusa

que provee una caracterizacin
imprecisa de la cardinalidad de uno o
mas conjuntos difusos o no-difusos.
Los CD deben ser utilizados para

representar el
probabilidad
proposiciones.
significado de la
contenida en las
La
LD permite el uso de
cuantificadores difusos, como por
ejemplo: Most, Many, Several,
Few,
Much
of,
Frequently,
Occasionally, About Five.
Proposicin difusa:
Many students are happy
Calificadores Difusos (CalD)

En la LD se tienen cuatro tipos de
calificadores:
Calificacin verdadera difusa (),
Calificacin de probabilidad difusa,
()
Calificacin de posibilidad difusa, ()
Calificacin de usualidad difusa.
Usually (p)=Usually(Xes F)
Lgica Difusa y
Razonamiento
Aproximado:
Razonamiento
Aproximado
Razonamiento Aproximado
Como en cualquier lgica, las reglas
de inferencia en la LD gobiernan la
deduccin de una proposicin q
desde un conjunto de premisas.
En la LD tanto las premisas como

las conclusiones son proposiciones
difusas.
Existen cuatro modos principales

de razonamiento difuso (o
razonamiento aproximado) en la
LD:
Razonamiento Categrico,
Razonamiento Cualitativo,
Razonamiento silogstico,
Razonamiento disposicional.
Razonamiento Categrico
Las premisas estn en forma

cannica X es A o en
canonica condicional SI X
Entonces Y es B, donde
son predicados difusos.
Notacin:
forma
es A,
A y B
X, Y, Z,... variables (difusas) que

toman valores en los universos U, V,
W,...
A, B, C,... Predicados difusos.
Las principales reglas de inferencia del

razonamiento categrico en LD son:
Regla de proyeccin de inferencia,

Conjuncin o regla de producto cartesiano
de inferencia,
Disyuncin o Regla de particularizacin de
inferencia,
Regla de Negacin,
Regla de vinculacin de inferencia,
Regla composicional de inferencia,
Modus ponens generalizado,
Principio de extensin.
Razonamiento Cualitativo
En LD, el razonamiento cualitativo se
refiere a un modo de razonamiento

en el cual la relacin entrada-salida
de un sistema se expresa como una
coleccin de reglas difusas IF-THEN
en la cual las pre-condiciones y
consecuentes involucran variables
difusas o lingsticas.
Por ejemplo, si X y Y son variables
de entrada y Z es la variable de
salida, la relacin entre, X, Y, y Z se
puede expresar de la sisguiente
forma:
IF X
IF X
...
IF X
es A1 AND Y es B1, THEN Z es C1

es A2 AND Y es B2, THEN Z es C2
...
...
es An AND Y es Bn, THEN Z es Cn
Donde:
Ai, Bi, y
Ci,
i=1,...,n, son
subconjuntos difusos de sus respectivos
universos de discurso.
Dado que Z depende de X y Y en las

reglas anteriores, se puede emplear la
regla composicional de inferencia para
calcular el valor de Z dado los valores
de X y Y.
Razonamiento Silogstico
Al
contrario del razonamiento

Categrico, ste est relacionado
con inferencias de premisas que
contienen cuantificadores difusos.
En su forma genrica, un silogismo

difuso se puede expresar como:
p= Q1 As son Bs
q= Q2 Cs son Ds
r = Q3 Es son Fs
Donde:
A, B, C, D, E, y F son predicados difusos
nter-relacionados;
Q 1,
Q2 ,
son
cuantificadores difusos dados; y
Q3 es el cuantificador a ser decidido.
Los seis silogismos difusos mas

importantes son:
Interseccin o silogismo producto,

Silogismo por encadenamiento,
Silogismo conjuncin consecuente,
Silogismo disyuncin consecuente,
Silogismo conjuncin precondicin,
Silogismo disyuncin precondicin.
Razonamiento Disposicional
En ste, las premisas son
disposiciones que deben contener,

explcitamente o implcitamente, el
cuantificador
difuso
habitualmente (Usually); o sea
que,
las
proposiciones
(preponderantemente
pero
no
necesariamente)
siempre
son
verdaderas.
Algunas
reglas de inferencia
razonamiento disposicional son:
de
Regla de proyeccin disposicional de inferencia.

Regla de implicacin disposicional de inferencia,
Modus ponens disposicional,
Hipersilogismo de encadenamiento disposicional,
de
conjuncin
consecuente
Silogismo
disposicional.
Lgica Difusa y
Razonamiento Aproximado:
Modelo de Inferencia
Difusa
Mltiples Reglas con

Mltiples
Antecedentes.
Reglas con n antecedentes y m

consecuentes
La interpretacin de mltiples
reglas
generalmente
se
interpreta como la unin de las
relaciones
difusas
correspondientes a las reglas
difusas. Por lo tanto, para un
problema de
modus ponen
generalizado del siguiente tipo:
premisa 1 (hecho) x es A' y

premisa 2 (regla 1) Si x es A1
entonces z
y es B',
y y es B1
es C1,
premisa 2 (regla 2) Si x es A2
entonces z
y y es B2
es C2,
__________________________________
Consecuente (conclusin): z es C'
Se puede emplear el razonamiento

difuso mostrado en la Fig. A.1
como
un
procedimiento
de
inferencia
para
derivar
la
resultante salida el conjunto difuso
C'.
Para verificar este procedimiento
de inferencia, se tomara a R1 =
A1 x B1 C1 y R2 = A2 x B2 C2.
Debido a que el operador de

composicin max-min ( ) es
distributivo, se puede usar el
operador para obtener la
siguiente expresin:
C ' A B R1 R2
A B R1 A B R2
C1 C2
Donde C'1 y C'2 son los conjuntos

difusos inferidos por las reglas 1 y
2, respectivamente.
La Fig. A.1 muestra grficamente
la operacin del razonamiento
difuso para mltiples reglas con
mltiples antecedentes.
Figura A.1
Razonamiento Difuso para mltiples reglas con

mltiples antecedentes.
Cuando una regla difusa dada asume la

forma "Si x es A o y es B entonces
z es C," entonces la fuerza del disparo
esta dado como el mximo grado de
apareamiento sobre la parte del
antecedente para una condicin dada.
Esta regla difusa es equivalente a la unin
de las dos reglas difusas "si x es A
entonces z es C" y "si y es B
entonces z es C".
Definicin De Los Planos

De Inferencia.
Inferencia en sistemas con
mltiples reglas:
(min, max, min)
Planos De Inferencia
Se ha visto que para encontrar una

conclusin difusa, en el caso de una
sola regla, es necesario utilizar
solamente operadores de conjuncin
difusa, llmese implicacin difusa o
conectiva
"y", por el hecho de
representar alguna norma-t.
Cuando se consideran sistemas con

mltiples reglas, se introducen los
operadores de unin difusa para ligar
las acciones
resultantes de cada
regla y as, obtener una respuesta
global difusa.
Estos operadores
pueden ser cualesquier conorma-t.
Cada operador distinto dentro del

proceso de inferencia difusa, va
definiendo un plano de inferencia,
comparndose esto con los circuitos
combinatorios simples de la lgica
booleana, del tipo suma de productos,
donde se ubican solamente dos
planos de operadores distintos: el
plano "Y" y el plano "O".
Como se vio anteriormente, se

requiere de la conectiva "y"
(min max min) cuando es
necesario
combinar
varios
antecedentes antes de llegar a
una conclusin; el uso de esta
conectiva se refiere al primer
plano de inferencia (al menos).
Cuando una sola regla apunta

a un consecuente, sta se
aplica directamente sobre l
mismo, a travs del uso de
una funcin de implicacin
(min max min).
Sin embargo, en todos los

sistemas de la lgica difusa
es comn encontrar ms de
una regla que apunten a un
mismo consecuente.
Para poder elegir a la regla que

deba trascender al consecuente ( la
regla con mayor peso o fuerza), es
necesario
considerar
a
algn
operador conorma-t que represente
a la conectiva "o" (min max
min), de manera que sirva como
operador de liga entre reglas.
La
aplicacin
de
esta
conectiva
se
refiere
al
segundo plano de inferencia
(a lo ms).
De este ltimo resultado, se

concluye la inferencia al aplicar
esta fuerza mediante una funcin
de implicacin al conjunto difuso
elegido en el consecuente (min
max min), esta ltima operacin
se denota como el tercer plano de
inferencia (entonces).
Planos de Inferencia en una

Unidad de Inferencia Difusa
1er. Plano
Paso 1: evaluacin de antecedentes
3er. plano
Paso 3: Funcin de implicacin
Significado:
"Al menos"
2do. plano
Paso 2: Eleccin de la regla con
mayor peso
Significado:
"A lo ms"
Tipo: "y"
Cualquier norma-t
(p. ej. Min).
Tipo: "o"
Cualquier conorma-t
(p. ej. Max)
Tipo: "y"
Cualquier norma-t
(p. ej. Min)
Significado:
"Entonces"
1er. Plano
Paso 1:
evaluacin de
antecedentes
2do. plano
3er. plano
Paso 2: Eleccin Paso 3: Funcin

de la regla con
de implicacin
mayor peso
Significado:
"Al menos"
Significado:
"A lo ms"
Significado:
"Entonces"
Tipo: "y"
Cualquier norma-t
(p. ej. Min).
Tipo: "o"
Cualquier
conorma-t
(p. ej. Max)
Tipo: "y"
Cualquier norma-t
(p. ej. Min)
Material Anexo a
Difusa.
Lgica Difusa y
Razonamiento
Aproximado:
Material Anexo a:
Modelos Basados en Reglas
Difusas
ESTRUCTURA BSICA Y
OPERACIN DE LOS
SISTEMAS DE CONTROL
LGICOS DIFUSOS
Introduccin
En
1973 a raz de un reciente articulo

de Zadeh llamado "Analysis of
complex systems and decision
processes", el profesor Ebrahim
Mamdani
de
la universidad de
Londres y su alumno Sedrak Assilian
construyeron el primer sistema de
control automtico basado en reglas
difusas.
Dicho
sistema fue diseado para

mantener la presin de una
caldera y la velocidad del pistn
constante en una maquina de
vapor; el sistema aprenda por s
mismo.
El
sistema usaba informacin de

tres tipos, para lo cual se crearon
tres escalas movibles; dos sobre
el estado de la caldera (entrada),
y otro un comando (salida), estas
escalas son:
1.- Error de presin (FP): Qu tan
lejos est la presin deseada?.
2.-
Cambio en el error de presin

(CEP): Qu tan rpido la presin
se acerca o se aleja de la
deseada?.
3.- Cambio en calor (CC):
Cul
es
la
respuesta
correcta?
(Comando de salida).
Despus establecieron siete
propiedades lingsticas para
cada escala:
PB
PM PS ZE NS NM NB -
Positivo Grande.
Positivo Media.
Positivo pequeo.
Cero.
Negativo pequeo.
Negativo media.
Negativo grande.
Todos
estos
conjuntos
difusos
sobrepuestos son del mismo tamao y
forma (triangular), y fueron espaciados
uniformemente a lo largo de cada lnea.
Despus
se construyo la red de reglas

usando estos conjuntos. Con esto no
solo describieron el trabajo del sistema
en trminos simples. Si no que
capturaron
la
experiencia
de
operadores expertos.
El
sistema de control completo es

representado por la figura 6.1, en
la cual los cuadros en blanco no
son necesarios debido a que en la
practica el sistema nunca estar en
ellos. Cada cuadro es una regla;
por ejemplo:
Regla
1: IF EP es PS
ZE THEN CC es NS
Regla 2: IF EP es ZE
ZE THEN CC es ZE
Regla 3: IF EP es PS
NS THEN CC es NS
AND CEP es
AND CEP es
AND CEP es
Tablero de Inferencia
ERROR EN PRESIN
NB
NB
NM
NS
ZE
PS
PM
PB
CAMBIO EN EL
ERROR DE
PRESIN
PB
NM
PM
NS
PS
ZE
PB
PM
PS
ZE
NS
NM
NB
PS
PM
PB
NS
NS
NM
NB
Representacin grfica de las reglas

1, 2 y 3.
Espacios de
Entrada/Salida.
Tablero de Inferencia.
Espacios de
Entrada/Salida
Un
tablero de inferencia es una

representacin geomtrica de los
conjuntos difusos y se emplea
para
especificar
esquemticamente
la
combinacin
deseada
de
entradas/salidas.
Los
tableros de inferencia tienen la

forma de una matriz de acciones, la
cual utiliza N conjuntos difusos
(variable lingstica), definidos en
una variable de entrada de un
sistema de control como el nmero
de renglones y, los M conjuntos
difusos definidos para una segunda
variable de entrada, como el
nmero de columnas
Cada
celda en el arreglo es
llenada con el nombre de uno de
los P conjuntos difusos definidos
para alguna variable de salida.
De esta forma es posible crear el
algoritmo de control para el
sistema, plasmando en reglas de
control
la
relacin
de
combinaciones
entradas/salidas.
Tablero De Inferencia
La
creacin de un tablero debe

considerar en primer lugar la
especificacin de las reas que
son intuitivamente ms obvias, y
s el sistema que esta siendo
modelado
es
complejo,
se
describen enseguida las reglas
que
son
vagas,
aunque
intuitivamente correctas.
Es
conveniente que los cambios

entre celdas adyacentes sean lo
ms graduales posibles, dado que
si existen cambios bruscos estos
se vern reflejado como reas
con variaciones abruptas, sto
durante
el
anlisis
del
funcionamiento del sistema, que
a su vez produce cambios a la
salida del sistema poco graduales
Cuntas Reglas Definir?

Si
se cuenta con "n" variables

de entrada, y "m" conjuntos
difusos definidos en cada una
se tiene que, para una sola
salida el nmero de reglas que
se pueden definir esta dado
por la siguiente expresin:
n
nmero de reglas m .
Si
se tiene que: m = 7 y n =
2; por lo tanto el nmero de
reglas que se pueden definir
para este sistema sera:
nmero de reglas 7 49 reglas.

2
Lo cual solamente representa las

combinaciones posibles que se pueden
realizar en relacin con las variables y
conjuntos definidos en los antecedentes.
Si
se
considera
que
tales
combinaciones pueden apuntar a
"M"
conjuntos definidos en el
consecuente, entonces el nmero
total de reglas distintas que se
pueden definir esta dado por la
siguiente expresin:
n
nmero de reglas disponibles M m .
As
se tiene que el sistema acepta

7(49) = 343 reglas distintas.
Componentes De Un CLD
Una
etapa de Fusificacin, una

etapa de evaluacin de reglas,
una etapa de defusificacin y una
base de conocimiento. La base de
conocimiento, est compuesta a
la vez, por los conjuntos difusos
definidos para las entradas y
salidas del sistema y el conjunto
de reglas difusas.
Etapa De Fusificacin
La
Fusificacin es el proceso de
asignar o calcular un valor que
represente
un
grado
de
membresa (o valor subjetivo)
para todos los conjuntos difusos
definidos sobre alguna variable
de entrada, dado que el estado
actual de dicha variable se toma
como una cantidad no difusa.
Etapa De Evaluacin De
Reglas
Esta
etapa, realiza la evaluacin

de las reglas difusas que estn
contenidas en la base de las
reglas, en espera de lograr una
meta
determinada.
La
combinacin de operadores que
se utilice en la implementacin de
los planos de inferencia determina
el mtodo de inferencia utilizado.
Dictado De Reglas Difusas

1.
Dentro de una matriz se coloca

sobre su eje x una entrada y
sobre el eje y la otra entrada
con
sus
etiquetas
correspondientes, y en cada
una de sus coordenadas se
establece la salida deseada.
2.
3.
El primer paso a realizar es

llenar las reas en donde las
acciones son intuitivamente
ms obvias. Se inicia por los
casos extremos como las orillas .
Despus de ello se procede a
llenar
los
campos
menos
obvios, con lo cual se obtiene la
matriz completamente llena
4.
La matriz se pasa a la forma

de reglas de inferencia
difusa las cuales son de la
forma if..then..
La Estructura Bsica De Un
CLD
a)
b)
c)
Una base de reglas, la cual contiene una

seleccin de reglas difusas;
Una base de datos (o diccionario), la cual
define las funciones de membresa
usadas en las reglas difusas;
Y un mecanismo de razonamiento, el cual
ejecuta el procedimiento de inferencia
sobre las reglas y los hechos dados para
derivar una salida razonable o conclusin.
La Estructura Bsica De Un CLD
Diagrama
a bloques para un
sistema de inferencia difusa.
Etapa De Defusificacin
Defusificar
significa trazar una

"lnea recta" en algn punto del
universo de discurso de la
variable de salida, el objetivo de
todas
las
funciones
de
defusificacin es el proceso de
encontrar el mejor lugar a lo
largo del universo de discurso
para trazar esta lnea.
La
etapa de defusificacin parte

de un conjunto de funciones de
membresa definidas sobre alguna
variable de salida de un CLD, y
estn truncadas en altura por l
ultimo plano de inferencia, como
resultado de haber evaluado a
todas las reglas correspondientes
a cada conjunto difuso de salida
Mtodos De Defusificacin
En
general, existen CINCO

mtodos para defusificar un
conjunto difuso
A
de un
universo de discurso Z, donde el
conjunto difuso A generalmente
se representa por una funcin de
membresa de salida agregada.
Varios
esquemas de defusificacin
para obtener una salida exacta
1.
zCOA
Centro de rea zCOA:
A z z dz
A z dz
z
z
C
j
j
j 1
COA
n
j 1
C z j
2.
Bisectriz de rea zBOA:

satisface
z BOA
A z dz
z BOA
zBOA
A z dz ,
Donde min z z Z y max z z Z .

Esto es, la lnea vertical z z BOA
divide la regin
entre
z , z , y 0 y y A z
en dos regiones con la misma rea.
3.
La media del mximo zMOM:

zMOM es el promedio del rango
mximo de z en el cual la MF
alcanza un mximo de grado de
pertenencia *. Expresada por:
z MOM
z dz
,
dz
Z
4.
El mximo ms pequeo zSOM: zSOM es el

mnimo (en trminos de magnitud)
del
mximo de z.
5. El mximo ms grande zLOM: zLOM es el
mximo (en trminos de magnitud) del
mximo de z.
Debido a sus obvios resultados, zSOM, y zLOM
no son usados tan frecuentemente como los
otros tres mtodos de defusificacin.
Material Anexo a:
Modelos Basados en Reglas
Difusas
ESTRUCTURA BSICA Y
OPERACIN DE LOS
SISTEMAS DE CONTROL
LGICOS DIFUSOS

Variable Lingüística y Reglas Difusas If-Then

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Variable Lingüística y Reglas Difusas If-Then

Diunggah oleh

Hak Cipta:

Format Tersedia

Unidad 3

SISTEMA DIFUSO Y SUS

3.1.1 De variables numricas a

en la vida cotidiana, las palabras

la variable temperatura hoy

una variable toma palabras en

una variable puede tomar palabras en

velocidad de un carro es una variable x

lo que, se puede decir que x es

Velocidad del carro (mph)

Figura 3.1 La velocidad de un carro como una variable lingstica que

definicin 3.1 da una simple e intuitiva

variable lingstica es caracterizada por

las dos definiciones anteriores se puede

3.2 De variables numricas a variables

Porqu es importante el concepto

Variables Lingsticas Y Otras

Variable Lingstica (VL) juega un

una VL es una variable

Variable Difusa esta caracterizada por

VL es una variable de orden mayor

VL se caracteriza por una

es el conjunto termino de x, esto

es una regla sintctica que genera

M es una regla semntica para

velocidad se interpreta como una VL con

regla sintctica G para generar los

regla semntica M puede ser definida

= el conjunto difuso para una

= el conjunto difuso para

= el conjunto difuso para una

Figura 3.3 Representacin de la variable lingstica del

el anterior ejemplo, el conjunto

VL x se dice que es estructurada

3.1.2 Hedges Lingsticos

el concepto de variable lingstica, se

general, el valor de una variable

lo tanto, hL es un operador para

Muy Joven, Muy es un hL.

siguientes operaciones en conjuntos

more or less A es un conjunto

U = {1, 2, ..., 5} y el conjunto difuso

Pequeo =1/1 +0.8/2 + 0.6/3 +0.4/4 + 0.2/5

utilizando las Ecs. (3.1) y (3.2) se

Muy pequea = 1/1 +0.64/2 + 0.36/3 + 0.16/4 + 0.04/5

conjuntos difusos resultantes

Figura 3.4 Efectos de los modificadores sobre

la ayuda de los hL, se puede

la regla sintctica correspondiente G, la

la regla semntica M que puede

Ejemplo : Variables Lingsticas Y

edad es interpretada como una

joven, no joven, muy joven, no muy joven, ,

medio viejo, no medio viejo, ,

no muy joven y no muy viejo,

ejemplo anterior, se observa que el

Establecimiento Del Universo De

especifica el universo de discurso

que el universo de discurso para cada

determinacin final del nmero de

recomienda especificar una

de las cualidades que caracterizan a los

del grado de traslape que deben