Sistemas Difusos

Tema 4

Tema 4.- Sistemas Basados en Reglas Difusas.

1. Introduccin. 2. Ejemplos de Sistemas basados en reglas difusas.
1. Sistemas de control difuso. 2. Sistemas expertos difusos. 3. Minera de datos difusos.

3. Estructura bsica de un sistema basado en reglas difusas (SBRD) . 4. Tipos de sistemas basados en reglas difusas. 5. Arquitectura detallada.
1. Interfaz de Fuzzificacin. 2. Base de Conocimiento.
1. Base de Datos. 2. Base de Reglas.

3. Motor de inferencia en un SBRD tipo Mamdani. 4. Interfaz de defuzzificacin. 5. Motor de inferencia en un SBRD tipo TSK.

Sistemas Difusos

Tema 4

Objetivos:
- Conocer la estructura bsica y funcionamiento de un Sistema Basado en Reglas Difusas. - Clasificar los sistemas basados en reglas difusas en base a su estructura y a la estructura de regla difusa utilizada. - Conocer ventajas e inconvenientes de cada uno de los tipos de sistemas basados en reglas difusas. - Conocer distintas opciones de diseo para la interfaz de fuzzificacin. - Percibir las cuestiones generales que se plantean en el proceso de derivacin de reglas. - Comprender el proceso de inferencia en un sistema difuso para control. - Conocer las definiciones de distintos mtodos de defuzzificacin y el significado de cada uno de ellos. - Comprender el funcionamiento global de un sistema difuso para control.

Sistemas Difusos

Tema 4

1.- Introduccin.
Aplicaciones: Modelado de sistemas: o Obtencin de modelos que representan realidades complejas. o Control:
Plantas industriales complejas Control en lnea Sistemas de navegacin con perturbaciones

Clasificacin: deteccin de patrones, diagnstico mdico, ... Sistemas expertos: ayuda a la decisin, recuperacin de informacin, planificadores financieros, ... Minera de datos y descubrimiento de informacin (Knowledge discovery and data mining): extraccin del conocimiento intrnseco contenido en grandes bases de datos con reglas de asociacin difusas.

Sistemas Difusos

Tema 4

2.- Ejemplos de SBRDs

2.1.- SBRDs aplicados a control.
Opciones en sistemas digitales: PID (proporcional-integral-derivativo):
o Problemas en entornos de control cambiantes o sistemas no lineales.

MRAC (control adaptativo de modelo de referencia):

o Resuelve el problema anterior ajustando los parmetros del controlador comparando la salida con un modelo de referencia. o Necesita un modelo matemtico.
Acciones CONTROLADOR

Control difuso:
o Las entradas, salidas y respuesta de control se especifican con trminos similares a los utilizados por un experto en control. o No se requiere un modelo del sistema. o Aprendizaje y ajuste automtico fcil de realizar.

PROCESO CONTROLADO

Condiciones

Sistemas Difusos

Tema 4

2.1.- SBRDs aplicados a control.

Acciones

MO DULO DEFUZZIFICADO R
(DESEMBORRONADOR)

Valor difuso

Valor exacto

PROCESO CO NTRO LADO

BASE DE DATO S

MECANISMO DE INFERENCIA DIFUSA

BASE DE REGLAS DIFUSAS

MO DULO FUZZIFICADO R Valor exacto Condiciones

(EMBORRONADOR)

Valor difuso CO NTRO LADO R DIFUSO

Sistemas Difusos

Tema 4

2.2.- SBRDs aplicados a sistemas expertos.

Ejemplo: mbito agrcola.
Agricultor (Usuario final) Ing. Agronmico

Elemento suelo de cultivo

Propiedades:
Color Textura Profundidad Pendiente Material orgnico Minerales etc.
Representacin

Percepcin

Anlisis

Sistema Ayuda Decisin Ejemplos de Sistemas de BD difusas:

Buckles y Petry Umano y Fukami Medina et al. (GEFRED)
BD Base de Datos Catlogo Sistema FMB

Servidor de SQL Servidor de FSQL

Cliente 1 FSQL

Cliente n FSQL

Sistemas Difusos

Tema 4

2.3.- SBRDs aplicados a minera de datos.

Minera de datos (Data mining)

Conjunto de tcnicas de Extraccin de conocimiento

(Knowledge discovery in databases).

Objetivo:
o Informacin no explcita. o Previamente desconocida. o Potencialmente til.
Ejemplo: Reglas de asociacin [Agrawal et al., 1993].
o Relacionan tems. (p.e., {leche, arroz} canela) o Medidas para importancia y precisin.

Problema: Bases de datos muy grandes (VLDB, Very

Large Databases).

o Datos dispersos (alta granularidad). o Informacin de muy diversas fuentes, heterognea. o Atributos susceptibles de fuzzificacin.

Solucin: Reglas de asociacin difusas.

o Disminuye la granularidad en la informacin. o Posibilidad de solapar semnticas. o Obtencin de conocimiento comprensible para el
usuario.

Sistemas Difusos

Tema 4

3.- Estructura bsica de un sistema basado en reglas difusas.

Un Sistema Basado en Reglas Difusas (SBRD) est formado por: Base de conocimiento. o Base de Reglas. o Base de Datos. Motor de inferencia. Adems en sistemas con entradas y/o salidas ntidas, se incluye un interfaz de fuzzificacin y un interfaz de defuzzificacin.
R1: Si X1 es Alto y X2 es Bajo entonces Y es Medio R2: Si X1 es Bajo y X2 es Medio entonces Y es Alto ...
Factores de escala

Medio Bajo Alto

X1
Bajo

Base de Conocimiento Base de Reglas Base de Datos

Medio

Alto

X2
Bajo Medio Alto

Y
Interfaz de Fuzificacin Mecanismo de Inferencia Interfaz de Defuzificacin

Entrada escalada

Salida escalada

Sistemas Difusos

Tema 4

3.- Estructura bsica de un sistema basado en reglas difusas.

Contie ne el conjunto de acciones a realizar en funcin del estado

Convierte la entrada nt ida a valor difuso

Base de Reglas

Convierte la salida difusa a valor nt ido

Interfaz de Fuzzificacin

Mecanismo de Inferencia

Interfaz de Defuzzificacin

Base de Datos
Realiza el proceso de razonamie nto para estimar la salida en funcin de la entrada

Contie ne la definicin lingstica de las variables

Sistemas Difusos

Tema 4

4.- Tipos de sistemas basados en reglas difusas.

En funcin del tipo de regla difusa que utilicen se puede distinguir: SBRDs tipo Mamdani: SI X1 es Alto y X2 es Bajo ENTONCES Y es Alto SBRDs tipo TSK (Takagi, Sugeno y Kang): SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2) o No necesitan interfaz de defuzzificacin. o El motor de inferencia funciona de distinta forma. 4.1.- SBRDs tipo Mamdani. Ventajas: Facilidad para la derivacin de reglas. Interpretabilidad de las reglas difusas. Fueron propuestos antes y se han utilizado con ms frecuencia. Inconvenientes: No garantizan la continuidad de la superficie de salida. Menor eficiencia computacional.

10

Sistemas Difusos 4.2.- SBRDs tipo TSK.

Tema 4

SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2) Ventajas: Incrementan la precisin. Mayor eficiencia computacional. Facilidad para el anlisis del sistema. Garantizan la continuidad de la superficie de salida. Inconvenientes: El consecuente es una frmula matemtica y no proporciona un marco natural para representar conocimiento humano. Limitan la representacin de los principios de la lgica difusa.

11

Sistemas Difusos

Tema 4

5.- Arquitectura Detallada.

5.1.- El interfaz de fuzzificacin. Para cada una de las entradas del sistema: 1. Adquirir los valores ntidos de las variables de entrada. 2. Trasladar los valores de las variables a los universos de discurso correspondientes. 3. En funcin del tipo de sistema difuso: Convertir cada valor ntido en un conjunto difuso con grado de pertenencia igual a 1 para ese valor y 0 para el resto (fuzzy singleton) o hacer corresponder a cada valor ntido el trmino lingstico ms adecuado, o calcular el grado de pertenencia a cada uno de los conjuntos difusos utilizados para dicha variable lingstica.

12

Sistemas Difusos 5.1.- El interfaz de fuzzificacin. Algunas posibilidades:

Tema 4

El valor ntido se convierte en un conjunto difuso tipo singleton. o Es la opcin ms sencilla y la ms utilizada. o Adecuado cuando la medicin de las variables de estado es fiable.
1

x0

Se genera un conjunto difuso con centro el valor ntido y un soporte acorde con la incertidumbre de la medicin.
1

x0-

x0

x0 +

13

Sistemas Difusos 5.2.- La Base de Conocimiento.

Tema 4

Est formada por la Base de Reglas y la Base de Datos. Parmetros de diseo implicados:
Eleccin de las variables de estado del proceso y de control del mismo. Eleccin del conjunto de trminos lingsticos para las variables de estado y de control. Eleccin de la estructura del antecedente y consecuente de las reglas. Derivacin del conjunto de reglas.

Formas de obtencin de la base de conocimiento: 1. A travs de experiencia experta, conocimiento de ingeniera de control o acciones de un operador de control experimentado.
Experto capaz de describir de forma lingstica sus reglas de decisin (factores de escala, semntica de los conjuntos difusos, operadores implicados, etc.). A partir de un cuestionario realizado al experto. Informacin extrada a partir de la observacin de las acciones de control de un operador.

2. Obtencin basada en un modelo difuso. 3. Obtencin basada en aprendizaje automtico (mtodos ad hoc, computacin evolutiva, redes neuronales, clustering, etc.).
14

Sistemas Difusos 5.2.1. Base de Datos. Proporciona la informacin necesaria para el funcionamiento del mdulo de fuzzificacin, de defuzzificacin y de la Base de Reglas. Definicin de los conjuntos difusos: Define la semntica de cada variable lingstica:
Bajo

Tema 4

Factores de escala
Medio Alto Medio Bajo Medio Alto

X1 X2 Y

Alto

Tambin se pueden definir factores de escalado para extender o reducir el universo de discurso, as como cambiar la sensibilidad:

15

Sistemas Difusos 5.2.2.- Base de Reglas. Representa de forma estructurada la poltica de control experto. Se deben determinar los siguientes aspectos: o Qu variables de estado y de control se considerarn. o Qu estructura tendr la regla difusa.

Tema 4

o Qu conjunto de reglas (en su representacin simblica) se utilizar. Posibilidades de eleccin de las variables: o Imitar los controladores P, PI, PD y PID: Variables de entrada al controlador: el error: e la sumatoria del error a lo largo del tiempo:

e(i) i=1
la variacin del error: e Salidas del controlador: la salida del sistema: u la variacin de la salida del sistema: u Usar variables propias del proceso de las que se puede conseguir su valor a travs de una medicin.
16

Sistemas Difusos 5.2.2.- Base de Reglas.

Tema 4

Ejemplo: Base de reglas para el controlador difuso de una aspiradora. Objetivo: Regular la fuerza de aspiracin Variables de entrada?
Cantidad de suciedad: {muy sucio, sucio, algo sucio, casi limpio, limpio}

Variable de control?
Fuerza: {muy fuerte, fuerte, normal, dbil, muy dbil}

Propuesta 1 para la base de reglas:

R1: SI la superficie est sucia ENTONCES la fuerza es fuerte R2: SI la superficie est algo sucia ENTONCES la fuerza es normal R3: SI la superficie est casi limpia ENTONCES la fuerza es dbil R4: SI la superficie est limpia ENTONCES la fuerza es muy dbil

17

Sistemas Difusos 5.2.2.- Base de Reglas - Ejemplo.

Tema 4

Se puede mejorar el rendimiento incluyendo ms informacin. Variables de entrada? Cantidad de suciedad: {muy sucio, sucio, algo sucio, casi limpio, limpio} Tipo de superficie: {madera, caucho, alfombra} Variable de control? Fuerza: {muy fuerte, fuerte, normal, dbil, muy dbil} Propuesta 2 de base de reglas:
Limpio Madera Caucho Alfombra Mu y dbil Mu y dbil Dbil Casi limpio Mu y dbil Dbil Normal Algo sucio Dbil Normal Normal Sucio Normal Fuerte Fuerte Mu y sucio Fuerte Mu y fuerte Mu y fuerte

Diagrama de bloques del controlador:

Sensor de suciedad

Amplificador

SISTEMA DIFUSO DE CONTROL

Indicador de tipo de superficie

Circuito

Contador de tiempo

M otor de v entilacin

18

Sistemas Difusos 5.3.- El motor de inferencia en un SBRD Mamdani Utiliza reglas difusas para obtener la respuesta del sistema difuso ante una determinada entrada Hay dos formas de realizar este proceso: 1. Inferencia basada en reglas individuales:

Tema 4

Aplicar la entrada a la primera regla, a la segunda y as sucesivamente. Posteriormente las salidas de las reglas se unen para obtener una nica salida. 2. Inferencia basada en la composicin: Calcular la relacin difusa que representa el significado de toda la base de reglas para aplicar la entrada a esa relacin difusa global. Esquema simplificado de un motor de inferencia basado en reglas individuales: 1. Disparo de reglas: Una regla se dispara si el grado de emparejamiento del antecedente de la regla con la entrada es mayor que cero. a. Clculo del grado de aplicabilidad. Antecedente con una variable. Antecedente con ms de una variable. b. Escalado o corte de la salida difusa.
19

Sistemas Difusos 5.3.- El motor de inferencia en un SBRD Mamdani 2. Agregacin de las salidas (si es necesaria)
Emparejamie nto: 0.4 = min(0.75 , 0.4)

Tema 4

Escalado de la salida
Agregacin de las salidas

Parmetros de diseo para el motor de inferencia:

Eleccin del tipo de motor de inferencia. Basado en reglas individuales.

Basado en la composicin de reglas.

Eleccin de la representacin del significado de las reglas difusas. Operadores de conjuncin, disyuncin, complemento, modificadores lingsticos, segn el caso. Operador de implicacin.

Operador de agregacin de reglas.

20

Sistemas Difusos 5.4.- El interfaz de defuzzificacin.

Tema 4

La defuzzificacin transforma el conjunto difuso de salida en un valor ntido. Supongamos que tenemos m reglas difusas:
Si x1 es A 1(k) x2 es A 2(k) ... xn es A n(k) y es B(k) con k = 1, 2, ..., m.

Si introducimos unos valores de entrada: A1*, A2*, ..., An*, obtenemos como salida los conjuntos difusos: B(1), B(2), ..., B(m) Unimos todas las salidas: B ' = B '(k ) y es B
k =1 m

Objetivo: averiguar cul es el valor ntido B* que mejor representa a B. a) Centro de rea o centro de gravedad. b) Centro de sumas. c) Centro de mayor rea. d) Mtodo de la altura. e) Primero del mximo, ltimo del mximo y media de los mximos.

21

Sistemas Difusos 5.4.- El interfaz de defuzzificacin. a) Centro de rea o centro de gravedad. B* = yB '( y )dy

Tema 4

B '( y )dy

Para evitar calcular la integral numrica, se realiza una discretizacin de la salida: Y = {y1 , y2 ,, yl }

B* =

yi B' ( yi ) i=1 B' ( yi ) i =1

l

Inconvenientes: El clculo del conjunto difuso agregado es costoso. No tiene en cuenta el hecho de que dos reas se solapen.

unin

22

Sistemas Difusos 5.4.- El interfaz de defuzzificacin. b) Centro de sumas.

Tema 4

B* =

yi B'(k ) ( yi ) i=1 k =1 B'(k ) ( yi ) i =1 k 1

= l m

Considera la contribucin de cada rea de forma independiente. El mtodo del centro de rea toma la unin de los B(k) mientras que este mtodo toma la suma de los conjuntos. De esta forma, si un rea se repite, se considera de nuevo, evitando el problema de solapamiento visto anteriormente. No requiere el clculo del conjunto difuso de salida

c) Centro de mayor rea.

Problema: si B no es convexo, el centro de rea y de sumas da una salida en la zona intermedia, donde el conjunto difuso tiene baja importancia. Solucin: Se determina el conjunto difuso con mayor rea y se calcula su centro de gravedad. Es un mtodo muy costoso.
salida

23

Sistemas Difusos 5.4.- El interfaz de defuzzificacin. d) Mtodo de la altura.

No requiere el clculo del conjunto difuso de salida. Rpido.

Tema 4

Requiere la definicin del punto umbral (primer punto de un conjunto difuso con grado de pertenencia mximo).

B* =

c (k )B '(k ) ( c(k ) ) k=1 B '( k ) ( c(k ) ) k =1

m

siendo c(k) el valor umbral del conjunto difuso B(k).

e) Primero del mximo, ltimo del mximo y media de los mximos.

Toma el valor ms pequeo, ms grande o medio del ncleo del conjunto difuso resultante. Ventaja: Coste computacional muy bajo. Inconvenientes:
Valor de salida menos representativo. Puede producir discontinuidades, es decir, generar una salida no continua para pequeos cambios en la entrada.
ltimo Media Primero

x0 Cambio de entrada x1 20 21

24

Sistemas Difusos 5.5.- El Motor de Inferencia en un SBRD tipo TSK. Reglas del tipo: SI x1 es A1 y x2 es A2 y ... y xn es An ENTONCES y = f(x1 , x2, ..., xn) En general f(x1, ..., xn) = a0 + a1x1 + ... + an xn

Tema 4

El antecedente se procesa igual que el de las reglas tipo Mamdani. Para una entrada especfica, el resultado de disparar una regla es un valor ntido. Finalmente los valores ntidos obtenidos al dispararse distintas reglas se combinan para obtener una nica salida (mximo, media aritmtica ponderada, etc.).

Ejemplo: R1: SI la presin es NG y la temperatura es A ENTONCES el tiempo es 0.3presin + 0.5temperatura

Entrada: presin = 22 y temperatura= 22 Grado de aplicabilidad de la regla = 0.6 tiempo = 0.3 (-22) + 0.5 22 = 4.4 La salida completa ser: (4.4, 0.6)

Salida R5: (5.5, 0.5) Salida = (4.4 0.6 + 5.5 0.5) / (0.6 + 0.5) = 4.9

25