Sistemas de Lgica Difusa - Fundamentos

Ing. Oscar G. Duarte V. M.Sc.

Resumen: El propsito de este artculo es el de presentar los fundamentos de los Sistemas de Lgica Difusa, partiendo de la teora de Conjuntos difusos, hasta la exposicin preliminar de las estrategias de entrenamiento. Se presenta tambin una herramienta de software (UNFUZZY) desarrollada en el Departamento de Ingeniera Elctrica de la Universidad Nacional de Colombia. El artculo est dirigido a Ingenieros no conocedores del tema, y es de caracter divulgativo general.

Introduccin Desde su aparicin en la decada de los 60's hasta nuestros das, las aplicaciones de la Lgica Difusa se han ido consolidando, paulatinamente al comienzo, y con un desbordado crecimiento en los ltimos cinco aos. Se encuentran en soluciones a problemas de control industrial, en prediccin de series de tiempo, como metodologas de archivo y bsqueda de Bases de Datos, en Investigacin Operacional, en estrategias de mantenimiento predictivo y en otros campos ms. Las principales razones para tal proliferacin de aplicaciones quizs sean la sencillez conceptual de los Sistemas basados en Lgica Difusa, su facilidad para adaptarse a casos particulares con pocas variaciones de parmetros, su habilidad para combinar en forma unificada expresiones lingsticas con datos numricos, y el no requerir de algoritmos muy sofisticados para su implementacin. El propsito fundamental de este artculo es el de presentar los fundamentos de los Sistemas basados en Lgica Difusa, con la certeza de que algunos de los lectores encontrarn en ellos una alternativa ms para abordar sus problemas especficos. Teora de Conjuntos Difusos Una buena estrategia para presentar la teora de Conjuntos Difusos, consiste en recordar algunos aspectos de la teora de conjuntos convencionales (que llamaremos conjuntos concretos), y a partir de all hacer una extensin a los conjuntos difusos: Un conjunto concreto se define como una coleccin de elementos que existen dentro de un Universo. As, si el universo consta de los nmeros enteros no negativos menores que 10:

U={0,1,2,3,4,5,6,7,8,9} entonces podemos definir algunos conjuntos como, por ejemplo: A={0,2,4,6,8} B={1,3,5,7,9} C={1,4,7} etc. Con estas definiciones hemos establecido que cada uno de los elementos del Universo pertenecen o no a un determinado conjunto. Por lo tanto, cada conjunto puede definirse completamente por una funcin de pertenencia, que opera sobre los elementos del Universo, y que le asigna un valor de 1 si el elemento pertenece al conjunto, y de 0 si no pertenece. Tomando como ejemplo el conjunto C enumerado arriba, su funcin de pertenencia uC(x) sera de la siguiente forma: uC(0)=0, uC(1)=1, uC(2)=0, uC(3)=0, uC(4)=1, uC(5)=0, uC(6)=0, uC(7)=1, uC(8)=0, uC(9)=0 Ahora bien, un Conjunto Difuso se define de forma similar, con una diferencia conceptual importante: un elemento puede pertenecer parcialmente a un conjunto. De esta forma, un conjunto difuso D definido sobre el mismo universo U puede ser el siguiente: D={20%/1,50%/4,100%/7}1 La definicin anterior significa que el elemento 1 pertenece en un 20% al conjunto D (y por tanto pertenece en un 80% al complemento de D), en tanto que el elemento 4 pertenece en un 50%, y el elemento 7 en un 100% . En forma alternativa, diriamos que la funcin de pertenecia uD(x) del conjunto D es la siguiente: uD(0)=0.0, uD(1)=0.2, uD(2)=0.0, uD(3)=0.0, uD(4)=0.5, uD(5)=0.0, uD(6)=0.0, uD(7)=1.0, uD(8)=0.0, uD(9)=0.0 Las primeras diferencias que se hacen evidentes entre los Conjuntos Concretos y los Conjuntos Difusos son las siguientes:

Se ha empleado una notacin frecuente, en donde el signo "/" no significa "dividido por".

La funcin de pertenencia asociada a los conjuntos concretos slo puede tener dos valores: 1 0, mientras que en los conjuntos difusos puede tener cualquier valor entre 0 y 1. Un elemento puede pertenecer (parcialmente) a un conjunto difuso y simultneamente pertenecer (parcialmente) al complemento de dicho conjunto. Lo anterior no es posible en los conjuntos concretos, ya que constituira una violacin al principio del tercer excluido. Las fronteras de un conjunto concreto son exactas, en tanto que las de un conjunto difuso son, precisamente, difusas, ya que existen elementos en las fronteras mismas, y estos elementos estn a la vez dentro y fuera del conjunto.

Qu sentido puede tener el pertenecer parcialmente a un conjunto? En muchos casos puede tener ms sentido que pertenecer totalmente a un conjunto; veamos algunos ejemplos: Ejemplo 1: Supngase que se desea definir el conjunto de los estudiantes de la carrera de Ingeniera Elctrica de la Universidad Nacional de Colombia que estn cursando el quinto semestre de la carrera. Cmo clasificar a un estudiante que cursa dos materias de cuarto semestre, tres de quinto y una de sexto? y a otro que toma una materia de quinto semestre, y cinco de sexto? Evidentemente ambos son en parte miembros del conjunto Estudiantes de quinto semestre, pero slo lo son parcialmente. Ejemplo 2: Supngase que se desea clasificar a los miembros de un equipo de ftbol segn su estatura en tres conjuntos, Bajos, Medianos y Altos. Podra plantearse que se es Bajo si se tiene una estatura inferior a, por ejemplo, 160 cm, que se es Mediano si la estatura es superior o igual a 160 cm e inferior a 180 cm, y se es alto si la estatura es superior o igual a 180 cm, con lo que se lograra una clasificacin en conjuntos concretos. Sin embargo, qu tan grande es la diferencia que existe entre dos jugadores del equipo, uno con estatura de 179.9 cm y otro de 180.0 cm? Ese milmetro de diferencia quizs no represente en la prctica algo significativo, y sin embargo los dos jugadores han quedado rotulados con etiquetas distintas: uno es Mediano y el otro es Alto. Si se optase por efectuar la misma clasificacin con conjuntos difusos estos cambios abruptos se evitaran, debido a que las fronteras entre los conjuntos permitiran cambios graduales en la clasificacin.

Figura 1. Funciones de pertenencia del ejemplo 2

La figura 1 muestra cmo podra hacerse tal clasificacin: El universo de discurso sera el conjunto continuo de todas las posibles estaturas (el intervalo [130cm,210]cm por ejemplo). Las funciones de pertenencia de cada uno de los tres conjuntos Bajo, Mediano y Alto se han graficado. La forma de estas funciones de pertenencia no debe ser necesariamente la de la figura 1, pues depende de lo que se entienda por "Bajo", "Mediano" y "Alto". Las figuras 2 y 3 muestran otras alternativas para definir dichas funciones.

Figura 2 Representacin alternativa del ejemplo 2

Figura 3 Representacin alternativa del ejemplo 2

Operaciones entre conjuntos difusos Las tres operaciones bsicas entre conjuntos concretos, Unin, Interseccin y Complemento, se definen tambin para los conjuntos difusos, intentando mantener el significado de tales operaciones. La definicin de estas operaciones se hace empleando el concepto de funcin de pertenencia de los conjuntos. Interseccin: el resultado de efectuar la operacin de Interseccin entre dos conjuntos difusos A y B definidos sobre el mismo Universo, y con funciones de pertenencia uA(x) y uB(x) respectivamente es un nuevo conjunto difuso AB definido sobre el mismo universo, y con funcin de pertenencia uAB(x), dada por: uAB(x)= uA(x)(*)uB(x) En donde el operador (*) debe satisfacer las siguientes propiedades:

x(*)y = y(*)x (x(*)y)(*)z = x(*)(y(*)z) si x<y y z<w entonces x(*)z < y(*)w x(*)1=x Todo operador que satizfaga las propiedades anteriores se conoce como una T-Norma, y representa la Interseccin de dos conjuntos difusos2. Dos de los operadores ms sencillos son el mnimo y el producto clsico (en adelante se denotarn por min y * respectivamente). Las figuras 4 y 5 muestra la interseccin de los conjuntos Bajo y Mediano de la figura 1, cuando se emplean los operadores mnimo y producto.

Figura 4 Operacin Interseccin de los conjuntos BAJO y MEDIANO de la fig.1 empleando el mnimo

Figura 5 Operacin Interseccin de los conjuntos BAJO y MEDIANO de la fig.1 empleando el producto

Unin: el resultado de efectuar la operacin de Unin entre dos conjuntos difusos A y B definidos sobre el mismo Universo, y con funciones de pertenencia uA(x) y uB(x) respectivamente es un nuevo conjunto difuso AUB definido sobre el mismo universo, y con funcin de pertenencia uAUB(x), dada por: uAUB(x)= uA(x)(+)uB(x) En donde el operador (+) debe satisfacer las siguientes propiedades: x(+)y = y(+)x (x(+)y)(+)z = x(+)(y(+)z) si x<y y z<w entonces x(+)z < y(+)w x(+)0=x Todo operador que satizfaga las propiedades anteriores se conoce como una S-Norma, y representa la Unin de dos conjuntos difusos3. Uno de los operadores ms sencillo es el mximo (en adelante se denotar por max).
2 3

Para una relacin detallada de operadores vase [6] Para una relacin detallada de operadores vase [6]

La figura 6 muestra la unin de los conjuntos Bajo y Mediano de la figura 1, cuando se emplea el operador mximo. Complemento: el resultado de efectuar la operacin de Complemento sobre un confunto difuso A definido sobre un Universo, y con funcion de pertenencia uA(x) es un nuevo conjunto difuso A' definido sobre el mismo universo, y con funcin de pertenencia uA'(x), dada por: uA'(x)= 1-uA(x) La figura 7 muestra el complemento del conjunto Bajo de la figura 1.

Figura 6 Operacin Unin de los conjuntos BAJO y MEDIANO de la fig.1 empleando el mximo

Figura 7 Operacin Complemento del conjunto BAJO de la fig.1

Otras operaciones como las relaciones entre conjuntos difusos, la composicin de relaciones y el principio de extensin no se incluyen en este artculo. Se recomiendan [4], [6], [16] y [25]. Principios de Lgica Difusa Es bien conocido que la teora de conjuntos, el lgebra booleana y la lgica tradicional son isomorfas, bajo transformaciones adecuadas. Esto significa que tienen una estructura subyacente similar, y que por tanto las definiciones que se hagan en una cualquiera de las tres teoras se puede llevar a las otras dos, mediante transformaciones adecuadas. La Tabla 1 muestra la correspondencia de algunos operadores.
Teora de Conjuntos lgebra Booleana Lgica Tradicional Interseccin Conjuncin AND Unin Disyuncin OR Complemento Negacin NOT Tabla 1 Correspondencia entre operadores de la Teora de Conjuntos, el lgebra Booleana y la Lgica Tradicional.

Ahora bien, el razonamiento lgico consiste en la combinacin de proposiciones para producir nuevas proposiciones; as, la combinacin de las proposiciones "X es A" y "Y es B" mediante el operador AND da como resultado la proposicin "X es A AND Y es B". La tabla 1 sugiere que puede

representarse esta combinacin mediante un operador anlogo a la Interseccin de Conjuntos. Lo anterior es posible porque en la lgica tradicional toda proposicin puede tener uno de dos valores: verdadero o falso, lo que corresponde en la teora de conjuntos concretos a los nicos dos valores que puede tomar la funcin de pertenencia para cualquier conjunto: 1 0. Ahora bien, en lgica difusa una proposicin puede representarse por un conjunto difuso: "X es A" corresponde a un conjunto A con funcin de pertenencia uA(x), mientras que "Y es B" corresponde a un conjunto B con funcin de pertenencia uB(y), y la combinacin de estas dos proposiciones con el operador AND, es decir la proposicin "X es A AND Y es B" corresponde a un nuevo conjunto difuso AANDB con funcin de pertenencia uAANDB(x,y)= min(uA(x),uB(y)) En donde se ha utilizado el operador min para efectuar la interseccin de los dos conjuntos, pero en general podra haberse utilizado cualquier T-Norma. Ntese que los universos de discurso sobre los cuales estn definidos los conjuntos A y B no son necesariamente el mismo, son, por ejemplo U y V respectivamente, mientras que el conjunto AANDB est definido sobre el universo UxV (ver figura 8).

Figura 8 Operacin AND

En forma anloga, al operador lgico OR puede hacerse corresponder a una S-Norma, mientras que al operador lgico NOT puede hacerse corresponder el complemento. Operador de Implicacin Un anlisis especial debe hacerse con el operador lgico de implicacin =>, que combina dos proposiciones con la expresin SI... ENTONCES... (IF ... THEN...), y que es el fundamento de las inferencias realizadas en sistemas de lgica difusa. Ante todo, conviene precisar que el inters por el operador => consiste en encontrar una forma de interpretar proposiciones semejantes a las utilizadas en la experiencia comn para describir conocimientos. Es decir, encontrar un camino matemtico para evaluar proposiciones como las siguientes: "Si las vibraciones son altas Entonces el rodamiento est desgastado", o "Si los ingresos del cliente son bajos Entonces su capacidad de endeudamiento es poca". Ahora bien, la implicacin => de la lgica tradicional tiene una tabla de verdad que se muestra en la Tabla 2
p Verdad Verdad Falso Falso q Verdad Falso Verdad Falso p=>q Verdad Falso Verdad Verdad Tabla 2 Tabla de verdad de la implicacin lgica tradicional

Esta tabla de verdad puede obtenerse tambin con los operadores bsicos Conjuncin, Disyuncin y Negacin con, por lo menos, dos expresiones distintas: (p=>q)<=>(~(p^(~q))) (p=>q)<=>((~p)q) Las anteriores equivalencias permiten deducir expresiones para la implicacin de la lgica difusa: Para combinar dos proposiciones "X es A" y "Y es B" en la forma "IF X es A THEN Y es B", debe representarse a cada una de dichas proposiciones por conjuntos difusos con funciones de pertenencia uA(x) y uB(y) respectivamente, y entonces la proposicin combinada estar representada por un conjunto difuso A=>B, cuya funcin de pertenencia estar dada por

uA=>B(x,y) = 1 - min(uA(x),(1 - uB(y))) bien uA=>B(x,y) = max(1 - uA(x),uB(y)) No obstante, las expresiones anteriores (que llamaremos implicaciones lgicas o implicaciones IF-THEN) no son necesariamente las ms tiles para efectuar inferencias, particularmente en aplicaciones de ingeniera. La razn puede hallarse revisando la Tabla 2: La implicacin de la lgica tradicional es verdadera en tres condiciones, y slo es falsa si la primera proposicin es verdadera y la segunda es falsa, lo que puede interpretarse con la mxima "La verdad nunca implica falsedad". La tabla de verdad de la implicacin indica en qu condiciones un razonamiento es formalmente correcto, pero no necesariamente til. Veamos unos ejemplos: "Si 1=2 Entonces 3=3" es una implicacin formalmente correcta, porque una falsedad (1=2) puede implicar una verdad (3=3), y para ello basta con sumar al lado izquierdo 2 y al lado derecho 1 (recuerdese que partimos de 1=2)4. De igual forma la proposicin "Si 1=2 Entonces 2=3" tambien es formalmente correcta, porque una falsedad puede implicar una falsedad, y para ello basta con sumar 1 a cada lado de la igualdad. Los dos ejemplos anteriores son formalmente correctos, pero qu utilidad puede extrarse de ellos en aplicaciones de ingeniera? En realidad slo implicaciones en las que ambas proposiciones sean verdaderas pueden tener utilidad prctica, y esto es as porque las relaciones causa-efecto son las que interesan en Ingeniera, y no el formalismo de una implicacin [16]. Visto lo anterior, se concluye que las expresiones de implicacin que son tiles para efectuar inferencias lgicas son en realidad operadores AND, es decir, T-Normas. Al utilizar T-Normas como implicaciones, llamamos a stas implicaciones de Ingeniera o Implicaciones AND. Nuevamente, las TNormas ms usadas como implicacin son el mnimo y el producto. Las figuras 9 y 10 muestran grficamente la diferencia que existe entre emplear Implicaciones lgicas e Implicaciones de Ingeniera. Se ha supuesto una expresin "IF X es A THEN Y es B", en donde las proposiciones "X es A" y "Y es B" se han representado por los conjuntos que se muestran en las figuras. Ntese que la implicacin de Lgica llega a tener funciones de pertenencia 1 en zonas en dnde los conjunto originales tienen funciones de

Ejemplo tomado de [16]

pertenencia 0 (La falsedad puede implicar falsedad), en tanto que la implicacin de Ingeneira no lo hace as.

Figura 9. Ejemplo de una Implicacin IF-THEN o Lgica

Figura 10. Ejemplo de una Implicacin AND o de Ingeniera

Inferencia en Lgica Difusa La Inferencia lgica consiste en la combinacin de proposiciones para producir nuevas proposiciones. As, al combinar la proposicin "X es A" con la proposicin "IF X es A THEN Y es B", se puede inferir la proposicin "Y es B" (ver figura 11)5. Una inferencia como la presentada en el prrafo anterior slo es posible en la lgica tradicional si la primera proposicin ("X es A") es idntica a la primera parte de la segunda proposicin ("(IF) X es A"); sin embargo, en la lgica difusa estas dos proposiciones no necesariamente deben ser idnticas, debido a que las fronteras de los conjuntos no son precisas. As, al combinar la proposicin "X es A*" con la proposicin "IF X es A THEN Y es B", puede obtenerse la proposicin "Y es B*" (ver figura 12).

Figura 11 Inferencia en Lgica Tradicional

Figura 12 Inferencia en Lgica Difusa

La combinacin de estas proposiciones para efectuar la inferencia tiene su soporte matemtico en la Extensin Cilndrica y en la Composicin de Relaciones, temas que no se han tratado en este artculo; sin embargo, la figura 13 muestra grficamente cmo puede interpretarse esta inferencia.

Figura 13. Representacin grfica de los mecanismos de Inferencia en Lgica Difusa

Sistemas de Lgica Difusa Los mecanismos de Inferencia presentados en el numeral anterior permiten obtener Conjuntos difusos a partir de la combinacin de Conjuntos difusos con reglas de la forma IF... THEN...; Un Sistema de Lgica Difusa aprovecha esos mecanismos como el motor de clculo de un sistema cuyas entradas y salidas son nmeros concretos.
5

Se ha presentado aqu un caso de aplicacin de la regla de Inferencia conocida como Modus Ponens, representado por (p^(p=>q))=>q

La estructura bsica de un Sistema de Lgica Difusa se muestra en la figura 14. El sistema recibe varias entradas numricas y entrega varias salidas numricas. El bloque Difusor se encarga de convertir las entradas en conjuntos difusos, que son entregados al bloque Mquina de Inferencia; este bloque, apoyado en un conjunto de reglas de la forma IF... THEN... almacenadas en la Base de Reglas, produce varios conjuntos difusos para que el bloque Concresor los tome y los convierta en salidas numricas concretas.

Figura 14 Estructura de un Sistema de Lgica Difusa

Cada una de las variables de entrada y de salida tiene una representacin dentro del Sistema de Lgica Difusa en forma de Variables Lingsticas. Una variable lingstica tiene, entre otras cosas, una coleccin de atributos que puede adquirir la variable, y cada atributo est representado por un conjunto difuso. As, retomando el ejemplo de la figura 1, la variable Estatura tendra tres atributos, Bajo, Mediano y Alto, y cada uno de estos atributos estara representado por el conjunto difuso respectivo de la figura 1. Estos atributos reciben el nombre de Valores Lingsticos. Debido a que un Sistema de Lgica Difusa puede, en general, tener varias entradas y varias salidas, la forma genrica de las reglas presentes en la Base de Reglas es la siguiente: IF X1 es A1 AND X2 es A2 AND ... AND Xm es Am THEN Y1 es B! AND Y2 es B2 AND... AND Yn es Bn En estas reglas, A1,A2,..., Am,B!,B2,...,Bn son Valores Lingsticos de las Variables Lingsticas respectivas. El siguiente ejemplo sencillo quizs ayude a entender la estructura de un Sistema de Lgica Difusa: Ejemplo 3: Una entidad financiera necesita determinar qu tanto dinero puede prestarle a sus clientes. Para ello quiere utilizar como nicos criterios

de evaluacin los ingresos mensuales y el promedio de ahorro mensual de cada cliente. Se propone como solucin un Sistema de Lgica Difusa con las siguientes caractersticas:

Figura 15 Sistema del ejemplo 3

El Sistema recibe dos entradas, el Ingreso Mensual y el Promedio Mensual de Ahorro y entrega una salida, el monto mximo del Prstamo (ver figura 15). Estas tres variables se representan internamente por las Variables Lingsticas Ingreso, Ahorro y Prstamo, cuyos Valores Lingsticos se muestran en la figura 16 6, y se han consignado en la Tabla 3
Ingreso Muy Bajo Bajo Medio Alto Muy Alto Ahorro Bajo Medio Alto Prstamo Muy Pequeo Pequeo Poco Pequeo Normal Poco Grande Grande Muy Grande

Tabla 3 . valores lingsticos del ejemplo 3

Figura 16 . valores lingsticos del ejemplo 3

Las reglas que deben existir en la Base se pueden obtener con un poco de sentido comn; por ejemplo, si el Ingreso es Muy Bajo y el Ahorro es Bajo, el Prstamo debe ser Muy Pequeo, mientras que si el Ingreso es Muy Alto y el Ahorro es Alto, el Prstamo debe ser Muy Grande. Lo anterior significa que deben existir por lo menos las dos reglas siguientes: IF Ingreso es Muy Bajo AND Ahorro es Bajo THEN Prstamo es Muy Pequeo. IF Ingreso es Muy Alto AND Ahorro es Alto THEN Prstamo es Muy Grande.

La escala de las tres grficas se ha normalizado al intervalo [0,1]

En forma similar pueden obtenerse las dems reglas, que se presentan en forma resumida en la Tabla 4.
AHORRO Bajo Medio Alto Muy Bajo Muy Pequeo Pequeo Poco Pequeo INGRESOS Bajo Medio Pequeo Poco Pequeo Poco Pequeo Normal Normal Poco Grande Tabla 4 . Reglas del ejemplo 3 Alto Normal Poco Grande Grande Muy Alto Poco Grande Grande Muy Grande

Ntese que el diseo de las Variables Lingsticas y de la Base de Reglas ha seguido criterios subjetivos, pero extraidos del sentido comn, y no ha sido necesario plantear complejos modelos matemticos. An as, el sistema diseado permite solucionar el problema planteado, con algunas caractersticas interesantes: por ejemplo, si las polticas crediticias de la entidad cambian para restringir los prstamos, basta con modificar algunas casillas de la tabla 4 para adecuar el sistema, o bien se pueden modificar las funciones de pertenencia de la figura 16. Ahora bien, el diseador tambin debe seleccionar varias opciones matemticas dentro del Sistema de Lgica Difusa. Este punto no se trata en el presente artculo, por ser tan slo una introduccin al tema, y se remite al lector a [4], [5] y [6] La figura 17 muestra los resultados producidos por el sistema del ejemplo 3 con algunas de las opciones matemticas ms utilizadas. Se ha graficado el Monto Mximo del Prstamo en funcin del Ingreso Mensual, bajo tres condiciones distintas de Ahorro Medio Mensual.

Figura 17 Resultados del sistema del ejemplo 3

Entrenamiento de Sistemas de Lgica Difusa7 Cuando un Sistema de Lgica Difusa cuenta con un mecanismo de entrenamiento, se dice que es un Sistema Difuso Adaptativo8. Los mecanismos de entrenamiento son algoritmos que le permiten al sistema cambiar su diseo para ajustarse (esto es, para adaptarse) a algunas exigencias especficas. En general, los algoritmos de entrenamiento disean slo una parte del Sistema de Lgica Difusa, generalmente la Base de Reglas, o la definicin de las Variables Lingsticas, o en algunos casos ambas cosas. Los dems parmetros los debe seleccionar el usuario. A nivel mundial, ste es uno de los temas sobre el que ms se investiga actualmente dentro de los tpicos de Lgica Difusa. Existen diversos algoritmos, y distintas estrategias dependiendo de la utilizacin que se le est dando al Sistema de Lgica Difusa. Pero, qu es lo que justifica este esfuerzo a nivel mundial? existen por lo menos las siguientes razones: En primer lugar, ciertos Sistemas de Lgica Difusa9 son Aproximadores Universales, es decir, satisfacen una propiedad segn la cual se sabe que cualquier funcin real continua puede ser aproximada con el grado de precisin que se desee por uno de estos Aproximadores. Esta propiedad asegura entonces la existencia de un Sistema de Lgica Difusa con el que se puede representar, tan bien como se quiera, cualquier funcin no lineal continua. Sin embargo, aunque se sabe que tal Sistema existe, no se conoce un procedimiento exacto para saber cul es. En general, los algoritmos de entrenamiento son procedimientos lgicos que intentan disear un Sistema de Lgica Difusa que aproxime alguna funcin desconocida. En segundo lugar, un Sistema como el del ejemplo 3 est basado principalmente en el conocimiento (expresado lingsticamente) que se tiene sobre un cierto problema, en este caso la asignacin de crdito. Sin embargo, en muchas ocasiones este conocimiento es insuficiente, o se
7

Debido al alcance que se la ha dado a este artculo, la siguiente es una presentacin de los mecanismos de entrenamiento de Sistemas de Lgica Difusa en general, es decir, sin entrar a detallar ninguno de los mecanismos conocidos en la literatura tcnica. Para una presentacin detallada, vase [25][27][28][29] 8 vase [25] pag 2 9 Por ejemplo aquellos con difusor Singleton, inferencia y operaciones AND con producto, y concresor de Altura.

encuentra acompaado de informacin numrica. Tal es el caso de muchas plantas industriales, donde adems de un conocimiento general sobre el comportamiento de la planta, pueden existir registradores que midan y almacenen algunas de las variables del proceso. Los algoritmos de entrenamiento son capaces de incorporar esta informacin numrica, junto con la informacin lingstica en un mismo Sistema de Lgica Difusa. Esta unin de los dos tipos de conocimiento, lingstico y numrico, en un mismo marco conceptual, hace de los Sistemas Difusos Adaptativos algo excepcional. Un Sistema Difuso Adaptativo puede entonces intentar disearse l mismo para cumplir una funcin especfica. Esta propiedad de autoorganizacin hace que sea sensato proponer los Sistemas de Lgica Difusa como solucin a problemas complejos, en los que las representaciones matemticas exactas no se conocen, o son lo suficientemente complicadas como para que no sea prctico emplearlas. Tal como se afirma unos prrafos arriba, la investigacin en algoritmos de entrenamiento es uno de los temas de mayor auge en la actualidad, y por esa razn an es muy temprano para poder sopesar adecuadamente las bondades de uno u otro algoritmo en aplicaciones reales. No obstante, puede hacerse una distincin entre dos tipos de algoritmos, segn el efecto final que tienen sobre el Sistema de Lgica Difusa: Ntese que un sistema como el del ejemplo 3 es fcil de entender para una persona que no haya participado en el diseo del mismo, porque la forma en que ha quedado expresado el conocimiento en forma de reglas es clara, y la definicin de los valores lingsticos corresponde tambien a conceptos sencillos. Dicho de otra forma, a partir del sistema del ejemplo 3 una persona puede extraer conocimiento de tipo lingstico sobre el proceso de asignacin de crdito, tan slo observando la figura 16 y la tabla 4. Pues bien, algunos algoritmos de entrenamiento disean el sistema en forma tal, que una vez concluido el diseo es virtualmente imposible entenderlo, es decir, es imposible extraer conocimiento lingstico del sistema diseado. Otros, por su parte, efectan un diseo tal que es posible emplearlo para interpretar el sistema diseado. Los primeros son algoritmos Aproximativos y los segundos son algoritmos Descriptivos. UNFUZZY - Software de Lgica Difusa

En el Departamento de Ingeniera Elctrica de la Universidad Nacional de Colombia se ha elaborado una herramienta para al anlisis, diseo, simulacin e implementacin de Sistemas de Lgica Difusa; este software se ha denominado UNFUZZY10, y est disponible en Internet11. Las principales caractersticas de esta herramienta son las siguientes:

Permite el diseo grfico de los Universos de Entrada y Salida. Permite seleccionar algoritmos de Difusin, Concrecin, Implicacin, Composicin, Unin-Interseccin y operadores AND, dentro de un conjunto amplio de opciones. Permite el diseo de Bases de Reglas Completas o Incompletas, as como la opcin de Incluir Modificadores Lingsticos. Provee herramientas de diseo rpido para los Universos de Entrada y Salida, las variables Lingsticas y la Base de Reglas Permite analizar el comportamiento global del Sistema mediante Grficos y Tablas Entrada-Salida. Permite analizar el comportamiento del Sistema a entradas particulares mediante la presentacin Paso a Paso de los resultados intermedios de cada Algoritmo. Permite entrenar Sistemas de Lgica Difusa mediante el uso de Tablas, a travs de dos algoritmos diferentes Provee el cdigo fuente C y C++ del Sistema diseado.

El objetivo inicial del proyecto era el diseo e implementacin de un software que permitiera disear Sistemas de Lgica Difusa, y analizar su comportamiento. UNFUZZY cumple con tales objetivos, y adems los supera, ya que incluye dos funciones adicionales que le dan un potencial mucho mayor: La generacin de Cdigo fuente en lenguaje C y C++ La opcin de entrenamiento de Sistemas de Lgica Difusa mediante Tablas.

La posibilidad de disponer de un cdigo fuente probado permite al usuario Implementar en software el Sistema de Lgica Difusa diseado. Dicho de otra forma, no slo puede analizar el comportamiento del Sistema, sino que adems puede disponer de l para su utilizacin particular, sin tener que preocuparse por cules son los algoritmos internos del Sistema. El usuario slo debe utilizar una herramienta grfica de diseo, y sta pone en sus manos el cdigo fuente.
10

Software diseado por el autor como tesis de Maestra en Automatizacin Industrial. Vase [5] 11 http://ohm.ingsala.unal.edu.co/ogduarte (seleccionar software)

La opcin de entrenar Sistemas de Lgica Difusa ampla el tipo de aplicaciones en los que stos son utilizables. Vale la pena resaltar que el cdigo C++ que genera UNFUZZY incluye la opcin de entrenamiento, y por lo tanto el usuario dispone de ella en su aplicacin particular. Agradecimientos Debo especial agradecimiento al Ingeniero y amigo Gustavo Prez Hoyos Ph.D. por su especial labor en la direccin de la tesis de Maestra en Automatizacin Industrial, cuyo principal resultado fue el programa UNFUZZY. El Ingeniero Alberto Delgado Ph.D. suministr la bibliografia en la que aparece como autor o coautor Kevin Passino.

Bibliografa
[1] lvarez, Hernn D. Control Difuso y Sistemas de Control Inteligentes en Memorias del Segundo Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp 331-340 [2] Angasana,A. & Passino,K. Distributed fuzzy control of flexible manufacturing systems en IEEE Transactions on Control Systems Technology, Vol 2, No.4, dic-94 ,pp 423-435 [3] Antasklis, P.J. & Passino, K, Introduction to intelligent control with high degrees of autonomy en An Introduction to Intelligent Control and Autonomous Systems, Kluwer Academic Publishers, 1993, pp 1-26 [4] Driankov, Dimiter & otros. An Introduction to Fuzzy Control Springer Verlag, Berlin, 1993 [5] Duarte, Oscar G. "UNFUZZY - Software para el anlisis, diseo, simulacin e implementacin de Sistemas de Lgica Difusa". M.Sc. Tesis. Universidad Nacional de Colombia, Facultad de Ingeniera, Maestra en Automatizacin Industrial. 1997. [6] Klir, George & Yuan, Bo. Fuzzy Sets and Fuzzy Logic Prentice Hall, New Jersey, 1995 [7] Kwong, W. et al. Expert supervision of fuzzy learning systems for fault tolerant aircraft control en Proceedings of the IEEE, vol 83, No.3, mar 95, pp 466-483 [8] Kwong,W. & Passino, K. Dynamically focused fuzzy learning control en IEEE Transactions on Systems, Man and Cybernetics - Part B :Cybernetics, Vol 26 No.1, feb 96 pp53-74 [9] Laukonen,E. & Passino,K. Training Fuzzy Systems to perform estimation and identification, Engng. Appl. Artif. Intell. Vol 8, No 5, Elsevier Science Ltd. Gran Bretaa, pp 449-514 [10] Laukonen,E. et al. Fault detection and isolation for an experimental internal combustion engine via Fuzzy identification en IEEE Transactions on Control Systems Technology, Vol 3 No. 3, sep 95, pp 347-355 [11] Layne, J. & Passino, K. Fuzzy model reference learning control for cargo ship steering en IEEE Control Systems Magazine, Vol 13, No. 6, dic 93, pp 23-24 [12] Lee, Chuen Chien. Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part I en IEEE Transactions on Systems, Man, and Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 404-418 [13] Lee, Chuen Chien. Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part II en IEEE Transactions on Systems, Man, and Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 419-435 [14] Lin, Chin-Teng & Lee, George. Neural Fuzzy Systems. A NeuroFuzzy Synergism to Intelligent Systems Prentice Hall, 1996 [15] Lpez, Jos F. & otros. Comparacin entre sistemas difusos para el control de una banda transportadora dentro de un proceso de manufactura flexible en Memorias del Segundo Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp 280-288 [16] Mendel, Jerry. Fuzzy Logic Systems for Engineering: A Tutorial en Procceedingos of the IEEE, V 83, No. 3 Marzo 1995, pp 345-377 [17] Meneses, Jorge E. & otros, Control Fuzzy basado en microcontrolador aplicado a la operacin de un vlvula remota en Memorias del Segundo Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp 175-181 [18] Moudgal,V & Passino,K. Rule-based control for a flexible-link robot en IEEE Transactions on Control Systems Technology, Vol 2, No 4, dic 94, pp 392-405 [19] Ordoez, R. et al. Stable Multiple-Input Multiple-Output adaptative fuzzy control en Proceedings of the 35th conference on Decision and Control, Kobe, Japan, dec-96, pp 610-615 [20] Passino, Kevin, Intelligent Control en The Control Handbook, IEEE pp 994-1001 [21] Passino, Kevin, Fuzzy Control en The Control Handbook, IEEE pp 1001-1017 [22] Passino, Kevin, Intelligent Control for Autonomous Systems en IEEE Spectrum, Junio 1995 pp 55-62 [23] Passino, K. & Lunardhi,A. Qualitative Analysis of Expert Control systems en Intelligent Control Systems : Theory and Applications, IEEE press N.Y. 1996 [24] Solano, Karim & otros, Controladores adaptables basados en mecanismos de inferencia Difusa en Memorias del Segundo Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp 104-113 [25] Wang, Li-Xin Adaptative Fuzzy Systems and Control. Design and Stability Analysis Prentice Hall, New Jersey, 1994 [26] Wang, Li-Xin Fuzzy Systemes are Universal Approxximators en Proceedings of the IEEE International Conference on Fuzzy Systems, San Diego, California 1992, pp 1163-1170 [27] Wang, Li-Xin & Mendel, Jerry. Back Propagation Fuzzy System as Nonlinear Dynamic Systems Identifiers en Proceedings of the IEEE International Conference on Fuzzy Systems, Sna Diego, California, 1992 pp 1409-1418 [28] Wang, Li-Xin & Mendel, Jerry. Fuzzy Basis Functions, Universal Approximation, ang Orthogonal Least-Squares Learning en IEEE Transactions on Neural Networks, Vol 3, No 5, Septiembre 1992, pp 807-814 [29] Wang, Li-Xin & Mendel, Jerry. Generating Fuzzy Rules by Learning from Examples en Proceedings of the IEEE 1991 International Symposium on Intelligent Control 13-15 August, Arlington, Virginia, U.S.A. pp 263-268 [30] Yamakawa, T. A Fuzzy Inference Engine in Nonlinear Analog mode and its applications to a fuzzy logic control en IEEE Transactions on Neural Networks, Mayo 1993