1

Computacion Inteligente
Sistemas fuzzy en
entornos crisp
2
Contenido
Sistemas fuzzy linguisticos: Funcionamiento
Interfaces con el mundo crisp.
Fuzzificacion y defuzzificacion
Sistemas fuzzy tipo Mamdani
Sistemas Takagi-Sugeno

3



Sistemas fuzzy linguisticos:

Funcionamiento
4
Input
Sistemas fuzzy linguisticos:
funcionamiento
Fuzzy
Knowledge base
Inference
Engine
Output
Entrada
lingstica
Salida
lingstica
5
El mecanismo de Inferencia
Usando las reglas fuzzy del tipo If-Then
convierte la entrada fuzy en una salida fuzy
razonamiento fuzzy
6
El mecanismo de inferencia
El mecanismo de inferencia se compone de
algun metodo de razonamiento fuzzy:

Inferencia Relacional,
Mamdani,
. . .

y la agregacion
7
La base de conocimientos
La base de conocimientos se compone de

La base de reglas

La base de datos


La base de conocimientos se puede obtener a partir de

Conocimiento experto
A partir de datos
8
La base de conocimientos
La base de reglas








1 1 1
: IF is THEN is
. . .
: IF is THEN is
...
: IF THEN
i i i
K K K
R x A y B
R x A y B
R x A y B
9
La base de conocimientos
La base de datos

Limites de los dominios X y Y

Definicion matematica de los terminos linguisticos
en los conjuntos fuzzy correspondientes:


La base de conocimientos esta constituida por:
10



Interfaces con el mundo crisp
11
Fuzificacin y defuzificacin
En general, las entradas y salidas de un
Sistema de inferencia fuzzy son terminos fuzzy
A(x) y B(y)

Sin embargo, en un sistema fisico real
usualmente se desea tener valores crisp.

Son necesarios entonces los bloques
Fuzificador y defuzificador
12
Fuzificacin
La interfaz de fuzificacion

Transforma los valores crisp de entrada a un
conjunto fuzzy
13
Fuzificacin
La salida del fuzificador no es un valor de
pertenencia sino una funcion de pertenencia
14
Seleccion de la funcion de fuzificacion
Un conjunto singleton asume que los datos
observados no contienen vaguedad

Cuando hay incertidumbre, la fuzificacion convierte
los datos probabilisticos en numeros fuzzy
1
x
0

F
(x)
x
Singleton
1
x
0

F
(x)
x
base
Numero fuzzy
15
Defuzificacin
La interfaz de defuzificacion

Convierte un conjunto difuso a un valor crisp.

Es la extraccion del valor crisp que mejor
represente al conjunto fuzzy


En muchas aplicaciones practicas es necesario tener a
la salida un valor crisp
16
Seleccion de la funcion defuzificacion
No existe un procedimiento sistematico para
seleccionar una buena estrategia de
defuzificacion

La seleccion toma en consideracion las
propiedades de la aplicacion en cada caso

Existen diferentes metodos
17
Defuzz.: Centro de gravedad

Metodo del Centro de gravedad
18
Defuzz.: Bisector de area
Areas iguales
19
Defuzzyficacin: Media de los centros

Metodo de la Media de los centros:
( )
( )
'
1
'
1
i
i
K
i B i
i
K
B i
i
y y
y
y

=
=
=

20
Varios esquemas de defuzzificacion
21
Varios esquemas de defuzzificacion
( )
,
( )
A
Z
COA
A
Z
z zdz
z
z dz

( ) ( ) ,
BOA
BOA
z
A A
z
z dz z dz

=

*
,
{ ; ( ) }
Z
MOM
Z
A
zdz
z
dz
where Z z z

= =

22
Sistemas fuzzy linguisticos en entornos
crisp
Fuzzy
Knowledge base
Input
Fuzzifier
Inference
Engine
Defuzzifier
Output
23
Ejemplo: modelado del nivel de liquido
Entrada: singleton salida: metodo del centroide
24
Estructura de los sistemas fuzzy
Un sistema fuzzy puede verse desde dos
puntos de vista

Vista externa
- Relacion de entrada-salida no lineal

Vista interna
- La base de reglas: Interfaz con el usuario

25
Vista externa de un sistema fuzzy
Un sistema fuzzy es un mapeo no lineal
26
Vista externa de un sistema fuzzy
Superficie total de entrada-salida
Fuzzy
Knowledge base
Fuzzy
Knowledge base
Input Fuzzifier
Inference
Engine
Defuzzifier Output Input Fuzzifier
Inference
Engine
Defuzzifier Output
27
Vista interna de un sistema fuzzy
28
Tipos de sistemas Fuzzy
Sistemas fuzzy Mamdani

Usados en muchas aplicaciones

Sistemas Sugeno

Usados en aplicaciones donde es necesaria una
aproximacion sistematica (analisis)

Modelado fuzzy basado en datos
29



Sistemas fuzzy tipo Mamdani
30
Modelo Mamdani en entornos crisp
El consecuente de las reglas son conjuntos
fuzzy

Las etapas de fuzificacion y defuzificacion
realizan la interfaz con el entorno crisp
Fuzzy
Knowledge base
Fuzzy
Knowledge base
Input Fuzzifier
Inference
Engine
Defuzzifier Output Input Fuzzifier
Inference
Engine
Defuzzifier Output
31
Ejemplo
R1 : IF X is small THEN Y is small
R2 : IF X is medium THEN Y is medium
R3 : IF X is large THEN Y is large
Composicion: Max-min Defuzificacion: centroide
mam1.m
32
Ejemplo
R1: IF X is small AND Y is small THEN Z is negative large
R2: IF X is small AND Y is large THEN Z is negative small
R3: IF X is large AND Y is small THEN Z is positive small
R4: IF X is large AND Y is large THEN Z is positive large
Composicion: Max-min Defuzificacion: centroide
Salida
mam2.m
33
Modelo Mamdani singleton
Los conjuntos fuzzy del consecuente son
singleton
b
i
son numeros
reales
cada regla tiene su
propio b
i
34
Modelo Mamdani singleton
Los conjuntos fuzzy del consecuente son
singleton
Defuzificacion
COG
b
i
son numeros
reales
cada regla tiene su
propio b
i
35
El modelo Mamdani
Definidos todos los parametros

El algoritmo fuzzy debe implementar la
siguiente funcion crisp
El consecuente es un
conjunto singleton
36
El modelo Mamdani
El algoritmo fuzzy debe implementar la
siguiente funcion crisp
con funciones de
pertenencia
Gaussianas en el
antecedente
37
El modelo Mamdani
Definidos todos los parametros, con funciones
de pertenencia Gaussianas en el antecedente

El algoritmo fuzzy debe implementar la
siguiente funcion crisp
38
Computacion Inteligente
Sistemas Takagi-Sugeno
39
Contenido
El modelo Takagi-Sugeno
Un caso especial: El modelo Singleton
Un caso especial: Salida lineal
Sistemas fuzzy Takagi-Sugeno dinamicos

40



El modelo Takagi-Sugeno
41
Modelos Fuzzy Sugeno
Tambien conocidos como modelos fuzy TSK

Takagi, Sugeno & Kang, 1985

Objetivo: generacion de reglas fuzy a partir de
un conjunto de datos de entrada/salida
42
Modelos fuzzy Tipo Sugeno
Combina conjuntos fuzzy en el antecedente
con una funcion crisp en la salida

Reglas de la forma:



donde

es un vector de parametros.

Las funciones tienen la misma estructura
( )
1 1
IF is AND AND is THEN ,
i i i i i
n n
x A x A y f x =
La salida x es crisp
43
Consecuente en sistemas fuzzy TS
En general
( ) ( )
( ) ( )
0 1 1
, ,
i i i i i i i
n n
y x f x g x g x = = + + +
El consecuente es affine respecto los
parametros (lineal en los parametros)
44
Consecuente en sistemas fuzzy TS
Sistema fuzzy propuesto por Takagi-Sugeno (1985)



( )
1 1 0
,
i i i i i
n n
y x x x = + + +
El consecuente es affine respecto los
parametros (lineal en los parametros)
45
Sistemas fuzzy Takagi-Sugeno (1985)




Cada regla puede ser considerada como un
modelo affine local.

Los modelos locales son combinados en el
proceso de agregacion para obtener la salida
( )
0
,
i i T i
i
y x x = +
46
Inferencia en sistemas fuzzy TS
Para la interseccion y la implicacion se utiliza
el operador producto.



La salida es
47
Inferencia en sistemas fuzzy TS







indica el peso relativo con que
contribuye la regla i en la salida.
( ) ( )
( )
1
, ,
K
i i
i
i
y x x y x
=
=

( )
( )
( )
1
i
i K
i
i
x
x
x

=
=

Grado de cumplimiento
normalizado
48
Inferencia en sistemas fuzzy TS
Definidos todos los parametros

El algoritmo fuzzy debe implementar la
siguiente funcion crisp
49



Un caso especial:

El modelo Singleton
50
El modelo singleton: caso especial
La funcion de salida es un valor constante
b
i
son numeros
reales
cada regla tiene su
propio b
i
51
El modelo singleton Sugeno
Definidos todos los parametros

El algoritmo fuzzy debe implementar la
siguiente funcion crisp
Se puede interpretar como un modelo Mamdani
52
El modelo singleton es un caso especial de las
expansiones en funciones base






Expansiones en funciones base
53
Interpolacion multilinear ocurre si:

Funciones de pertenencia de entrada:

trapezoidales o triangulares


Formando una particion fuzzy

El conectivo AND es representado por el operador
producto

El modelo singleton: interpolacion
54
Un ejemplo de interpolacion
Mapeo de entrada-salida lineal a trozos resultante
55
El modelo singleton
Definidos todos los parametros, con funciones
de pertenencia Gaussianas en el antecedente

El algoritmo fuzzy debe implementar la
siguiente funcion crisp
56



Un caso especial:

Salida lineal
57
modelos Sugeno : salida lineal
Reglas de la forma



La salida es
IF is THEN
i i
i i
x A y a x b = +
( ) ( ) ( )
1
K
i i i
i
y x x a x b
=
= +

58
modelos Sugeno : salida lineal


La salida es
IF is THEN
i i
i i
x A y a x b = +
Lineal en los parametros, cuasi-lineal en x
( ) ( ) ( )
1
K
i i i
i
y x x a x b
=
= +

59



Ejemplo 1: Una sola entrada
60
modelos Sugeno: ejemplo 1
IF x is small THEN Y = 0.1x + 6.4
IF X is medium THEN Y = - 0.5X + 4
IF X is large THEN Y = X - 2


Si small , medium y large son conjuntos
crisp entonces la curva total de entrada-salida
es lineal a trozos
sug1.m
61
modelos Sugeno: ejemplo 1
IF x is small THEN Y = 0.1x + 6.4
IF X is medium THEN Y = - 0.5X + 4
IF X is large THEN Y = X - 2
62
modelos Sugeno: ejemplo 1
IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1


Sin embargo, si tenemos funciones de
pertenencia suaves (reglas fuzzy) la curva total
de entrada-salida es suave
63
modelos Sugeno: ejemplo 1
IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
64



Ejemplo 2: Dos entradas
65
modelos Sugeno: ejemplo 2
Dos entradas una salida con 4 reglas

IF X is small AND Y is small THEN z=-x+y+1
IF X is small AND Y is large THEN z=-y+3
IF X is large AND Y is small THEN z=-x+3
IF X is large AND Y is large THEN z=x+y+2
sug2.m
66
modelos Sugeno: ejemplo 2
MFs de los antecedentes
67
modelos Sugeno: ejemplo 2
Superficie total de entrada-salida
68



Construya un modelo Sugeno para el
ejemplo 1 usando el GUI del Toolbox
Fuzzy de Matlab
Ejercicio 1
69



Construya un modelo Sugeno para el
ejemplo 2 usando el GUI del Toolbox
Fuzzy de Matlab
Ejercicio 2
70



Sistemas fuzzy Takagi-Sugeno
dinamicos
71
Sistemas fuzzy TS dinamicos
Modelado de sistemas dinamicos no lineales





Cada regla representa una aproximacion lineal
del sistema no lineal en un punto de operacin
determinado
IF is THEN
i
i i
i
i
x Ax Bu
x A
y C x

= +

72
Sistemas fuzzy TS dinamicos
Un sistema TS dinamico es un scheduling fuzzy






( ) ( )
1 1
K K
i i i i
i i
x x A x x B u

= =
| | | |
= +
| |
\ . \ .

( ) ( )
1 1
K K
i i i i
i i
y x C x x D u
= =
| | | |
= +
| |
\ . \ .

73
Fuentes
J.-S. Roger Jang, Slides for Fuzzy Sets, Ch. 2 of Neuro-
Fuzzy and Soft Computing. CS Dept., Tsing Hua Univ.,
Taiwan.

J.-S. Roger Jang and C-T Sung, Neuro-Fuzzy Modeling
and Control. Proceedings of the IEEE, March 1995.

Robert Babuska. Fuzzy and neural control. DISC Course
Lecture Notes (October 2001)

Robert Babuska. Course Fuzzy and Neural Control,
2001/2002.
74
Fuentes
R. Babuska, H.B. Verbruggen, H. Hellendoorn,
Promising Fuzzy Modeling and Control Methodologies
for Industrial Applications, 1999

Ren Jager, Fuzzy Logic in Control. PHD thesis, 1995.

Javier Echauz, Sistemas y Controles Inteligentes,
Universidad de Puerto Rico, 2000

L.X. Wang, Adaptive Fuzzy Systems and Control:
Design and Stability Analysis , Prentice-Hall, 1.994
75
Fuentes
Kwang-Hyung Lee, Textbook CS670 Fuzzy Theory,
http://if.kaist.ac.kr/lecture/cs670/textbook/, septiembre
2001

J. Galindo Gmez, Conjuntos y Sistemas Difusos
(Lgica Difusa y Aplicaciones). Departamento de
Lenguajes y Ciencias de la Computacin, Universidad
de Mlaga, 2002?

Vojislav Kecman, Fuzzy logic basics. Slides
accompanying the MIT Press book: Learning and Soft
Computing. 2001
76
Fuentes
Djamel Bouchaffra, Soft Computing (Lecture Notes).
Oakland University. Fall 2005

K. Ahmad, B. Vrusias, M. Casey, Artificial Intelligence
(Lecture Notes). Center for Knowledge Management.
Department of Computing. University of Surrey.
September 2004