Que es la lgica difusa?

Descripcin de la Lgica Difusa

En los ltimos aos, el nmero y la variedad de aplicaciones de lgica difusa se
han incrementado significativamente. Las aplicaciones van desde productos de
consumo tales como cmaras fotogrficas, cmaras de video, lavadoras y
hornos de microondas para el control de procesos industriales, instrumentacin
mdica, sistemas de soporte de decisiones, y la seleccin de la cartera.
Para entender por qu el uso de la lgica difusa ha crecido, hay que entender
primero lo que se entiende por lgica difusa.

La lgica difusa tiene dos significados diferentes. En un sentido estricto, la

lgica difusa es un sistema lgico, que es una extensin de la lgica de varios
valores. Sin embargo, en un sentido ms amplio, la lgica difusa (FL) es casi
sinnimo de la teora de conjuntos difusos, una teora que se refiere a las
clases de objetos con lmites poco definidos en los que el ingreso es una
cuestin de grado. En esta perspectiva, la lgica difusa en su sentido estricto
es una rama de la FL. Incluso en su definicin ms estrecha, la lgica difusa se
diferencia tanto en concepto como sustancia de sistemas lgicos de varios
valores tradicionales.

En la caja de herramientas de software Fuzzy Logic , la lgica difusa se debe

interpretar como FL, es decir, la lgica difusa en su sentido amplio. Las ideas
bsicas subyacentes FL se explican muy claramente y perspicacia en
Fundamentos de Lgica Difusa. Cul podra ser aadido es que el concepto
bsico que subyace FL es el de una variable lingstica, es decir, una variable
cuyos valores son palabras en lugar de nmeros. En efecto, la mayor parte de
FL puede ser mirado como una metodologa para calcular con palabras en
lugar de nmeros. Aunque las palabras son inherentemente menos preciso que
los nmeros, su uso est ms cerca de la intuicin humana. Por otra parte, la
computacin con palabras explota la tolerancia en la imprecisin y por lo tanto
reduce el costo de la solucin.
Otro concepto bsico en FL, que desempea un papel central en la mayora de
sus aplicaciones, es la de un fuzzy if-then regla o, simplemente, regla difusa.
Aunque los sistemas basados en reglas tienen una larga historia de uso en
Inteligencia Artificial (AI), lo que falta en este tipo de sistemas es un
mecanismo para tratar con los consecuentes difusos y antecedentes difusos.
En la lgica difusa, este mecanismo es proporcionado por el clculo de las
reglas difusas. El clculo de reglas difusas sirve como base para lo que podra
llamarse la Dependencia Fuzzy y Command Language (FDCL). Aunque FDCL no
se utiliza de forma explcita en la caja de herramientas, de hecho es uno de sus
principales componentes. En la mayora de las aplicaciones de la lgica difusa,

una solucin lgica difusa es, en realidad, una traduccin de una solucin
humana en FDCL.

Una tendencia que est creciendo en visibilidad se refiere al uso de la lgica

difusa en combinacin con neurocomputacin y algoritmos genticos. En
trminos ms generales, la lgica difusa, la Neuro y algoritmos genticos
pueden ser vistos como los principales constituyentes de lo que podra
llamarse el soft computing. A diferencia de la computacin tradicional, duro,
soft computing acomoda la imprecisin del mundo real. El principio rector de la
Soft Computing es: Explotar la tolerancia en la imprecisin, la incertidumbre, y
la verdad parcial para conseguir manejabilidad, robustez y bajo costo solucin.
En el futuro, el soft computing podra desempear un papel cada vez ms
importante en la concepcin y diseo de sistemas cuya MIQ (Machine IQ) es
mucho mayor que la de los sistemas diseados por mtodos convencionales.

Entre las diversas combinaciones de metodologas en Soft Computing, el que

tiene mayor visibilidad en esta coyuntura es que la lgica difusa y
neurocomputacin, dando lugar a sistemas neuro-difusos. Dentro de la lgica
difusa, tales sistemas juegan un papel particularmente importante en la
induccin de reglas a partir de observaciones. Un mtodo eficaz desarrollada
por el Dr. Roger Jang para este propsito se llama ANFIS (Sistema de Inferencia
adaptativa Neuro-Fuzzy). Este mtodo es un componente importante de la caja
de herramientas.

La lgica difusa es todo acerca de la importancia relativa de precisin: Cun

importante es estar en lo correcto cuando una respuesta spera har?

Usted puede usar el software Caja de herramientas Lgica Difusa con

MATLAB software de computacin tcnica como herramienta para resolver
problemas con la lgica difusa. La lgica difusa es un rea fascinante de la
investigacin, ya que hace un buen trabajo de la negociacin entre la
significacin y precisin, algo que los seres humanos han estado manejando
durante mucho tiempo.

En este sentido, la lgica difusa es tanto antiguos como nuevos, ya que,

aunque la ciencia moderna y metdico de la lgica difusa es todava joven, los
conceptos de la lgica difusa se basa en conocimientos ancestrales de
razonamiento humano

La lgica difusa es una manera conveniente para asignar un espacio de

entrada a un espacio de salida. Mapeo de entrada a la salida es el punto de
partida para todo. Considere los siguientes ejemplos:

Con la informacin sobre lo bien que su servicio fue en un restaurante,

un sistema de lgica difusa puede decir cul debe ser la punta.
Con su especificacin de lo caliente que desea que el agua, un sistema
de lgica difusa puede ajustar la vlvula del grifo para el ajuste de la
derecha.
Con la informacin sobre lo lejos que el sujeto de su fotografa es, un
sistema de lgica difusa puede enfocar la lente para usted.
Con informacin sobre la rapidez con que el coche se va y lo duro que el
motor est funcionando, un sistema de lgica difusa puede cambiar de
marcha para usted.

Un ejemplo grfico de un mapa de entrada-salida se muestra en la siguiente

figura

Para determinar la cantidad apropiada de punta requiere insumos cartogrficos

a las salidas correspondientes. Entre la entrada y la salida, la figura anterior
muestra un cuadro negro que puede contener cualquier nmero de cosas: los
sistemas difusos, sistemas lineales, sistemas expertos, redes neuronales,
ecuaciones diferenciales, interpola tablas de bsqueda multidimensionales, o
incluso un consejero espiritual, slo para Por nombrar algunas de las opciones
posibles. Es evidente que la lista podra seguir y seguir.

De las docenas de maneras de hacer el trabajo de recuadro negro, resulta que

difuso es a menudo la mejor manera. Por qu se debe? Como Lotfi Zadeh,
quien es considerado como el padre de la lgica difusa, dijo una vez: "En casi
todos los casos se puede construir el mismo producto sin lgica difusa, pero
difusa es ms rpido y ms barato."

Por qu utilizar la lgica difusa?

Aqu est una lista de observaciones generales sobre lgica difusa:

La lgica difusa es conceptualmente fcil de entender.

Los conceptos matemticos detrs de razonamiento difuso son muy
simples. La lgica difusa es una aproximacin ms intuitiva sin la
complejidad de largo alcance.
La lgica difusa es flexible.
Con cualquier sistema dado, es fcil de capa sobre ms funcionalidad sin
iniciar de nuevo desde cero.
La lgica difusa es tolerante con datos imprecisos.

Todo es impreciso si miras con suficiente atencin, pero ms que eso, la

mayora de las cosas son imprecisas incluso en una inspeccin
cuidadosa. Razonamiento difuso construye esta comprensin en el
proceso en lugar de virar sobre el extremo.
La lgica difusa puede modelar funciones no lineales de complejidad
arbitraria.
Usted puede crear un sistema difuso para combinar con cualquier
conjunto de datos de entrada-salida. Este proceso se hace
particularmente fcil por medio de tcnicas adaptativas como adaptativa
Inferencia Sistemas Neuro-Fuzzy (ANFIS), que estn disponibles en el
software Caja de herramientas de la lgica difusa.
La lgica difusa se puede construir sobre la experiencia de los expertos.
En contraste directo con las redes neuronales, que toman datos de
entrenamiento y generan modelos opacos, impenetrables, lgica difusa
permite que se basan en la experiencia de las personas que ya
entienden su sistema.
La lgica difusa se puede mezclar con tcnicas de control
convencionales.
Sistemas difusos no reemplazan necesariamente mtodos de control
convencionales. En muchos casos, los sistemas difusos aumentan ellos y
simplificar su aplicacin.
La lgica difusa se basa en el lenguaje natural.
La base de la lgica difusa es la base para la comunicacin humana.
Esta observacin sustenta muchas de las otras declaraciones acerca de
la lgica difusa. Debido a que la lgica difusa se basa en las estructuras
de la descripcin cualitativa del lenguaje habitual, la lgica difusa es
fcil de usar.

La ltima declaracin es tal vez la ms importante y merece ms discusin.

El lenguaje natural, que es utilizado por la gente comn sobre una base
diaria, ha sido formada por miles de aos de historia humana para ser
conveniente y eficiente. Las oraciones escritas en el lenguaje ordinario
representan un triunfo de la comunicacin eficaz.
Cundo No Usar Lgica Difusa
La lgica difusa no es una panacea. Cundo no debe utilizar la lgica
difusa? La declaracin ms segura es el primero realizado en esta
introduccin: lgica difusa es una manera conveniente para asignar un
espacio de entrada a un espacio de salida. Si usted encuentra que no es
conveniente, intentar algo ms. Si ya existe una solucin ms simple, lo
utilizan. La lgica difusa es la codificacin del sentido comn - use el
sentido comn cuando se implementa y es probable que tomar la decisin
correcta. Muchos controladores, por ejemplo, hacen un buen trabajo sin el
uso de la lgica difusa. Sin embargo, si se toma el tiempo para
familiarizarse con la lgica difusa, ver que puede ser una herramienta muy
poderosa para hacer frente rpida y eficiente con la imprecisin y la no
linealidad.

Qu puede Lgica Difusa Software Toolbox hacer?

Puede crear y editar sistemas de inferencia difusos con Caja de
herramientas Lgica Difusa. Puede crear estos sistemas utilizando
herramientas grficas o funciones de lnea de comandos, o puede generar
automticamente utilizando la agrupacin o tcnicas de neuro-difusos
adaptativos.
Si usted tiene acceso a software Simulink, puede probar fcilmente su
sistema difuso en un entorno de simulacin diagrama de bloques.

La caja de herramientas tambin le permite ejecutar directamente sus

propios programas independientes C. Esto es posible gracias a un motor de
inferencia difusa independiente que lee los sistemas difusos guardados en
una sesin de MATLAB. Puede personalizar el motor independiente para
construir inferencia difusa en su propio cdigo. Todo el cdigo proporcionado
es ANSI compatible.

Debido a la naturaleza integrada del entorno MATLAB, puede crear sus

propias herramientas para personalizar la caja de herramientas o arns con
otra caja de herramientas, tales como el Sistema de Control de Caja de
herramientas , Neural Network Caja de herramientas o software
Optimization Toolbox .

Fundamentos de Lgica Difusa

visin de conjunto
El punto de la lgica difusa es para asignar un espacio de entrada a un
espacio de salida, y el principal mecanismo para hacer esto es una lista de
if-then declaraciones denominan reglas. Todas las reglas se evalan en
paralelo, y el orden de las reglas es importante. Las reglas en s son tiles
porque se refieren a las variables y los adjetivos que describen esas
variables. Antes de poder construir un sistema que interpreta las normas,
debe definir todos los trminos que desee usar y los adjetivos que los
describen. Decir que el agua est caliente, es necesario definir el rango que
la temperatura del agua se puede esperar para variar, as como lo que
queremos decir con la palabra caliente. El siguiente diagrama proporciona
una hoja de ruta para el proceso de inferencia difuso. Muestra la descripcin
general de un sistema difuso de la izquierda y un sistema difuso especfica
a la derecha.

Para resumir el concepto de inferencia borrosa representado en esta figura,

la inferencia difusa es un mtodo que interpreta los valores en el vector de
entrada y, basndose en un conjunto de reglas, asigna valores para el
vector de salida.

Este tema le gua a travs del proceso paso a paso la lgica difusa,
proporcionando una introduccin a la teora y prctica de la lgica difusa.

Este tipo de juego se llama un conjunto clsico, ya que ha existido desde

hace mucho tiempo. Fue Aristteles quien primero formul la ley del tercero
excluido, que dice X debe ser en conjunto A o en conjunto no-A. Otra
versin de esta ley es:
De cualquier tema, una cosa debe estar bien afirmada o negada.

Cualquier declaracin puede ser difusa. La principal ventaja que ofrece el

razonamiento difuso es la capacidad de responder a una pregunta de s o no
con un s o un no-no bastante respuesta. Los seres humanos hacen este tipo
de cosas todo el tiempo (piensa cmo rara vez se obtiene una respuesta
directa a una pregunta aparentemente simple), pero es un lugar nuevo
truco para las computadoras.

Cmo funciona? Razonamiento en la lgica difusa es slo una cuestin de

generalizar el s-no (booleano) lgica familiar. Si usted le da cierto valor
numrico de 1 y falso el valor numrico de 0, este valor indica que la lgica
difusa permite tambin valores intermedios como 0,2 y 0,7453. Por ejemplo:

El siguiente diagrama de la izquierda muestra los valores de verdad para el

fin de semana-ness si se ven obligados a responder con un s o un no
absoluto. A la derecha, es una trama que muestra el valor de verdad de fin
de semana-ness si se le permite responder con fuzzy en-entre los valores.

Tcnicamente, la representacin de la derecha es del dominio de la lgica

de varios valores (o la lgica multivalente). Si le preguntas a la pregunta
"Es X un miembro del conjunto A?" la respuesta podra ser s, no, o
cualquiera de un millar de valores intermedios en el medio. Por lo tanto, X
podra tener membresa parcial en la lgica A. multivalor se encuentra en
contraste directo con el concepto ms familiar de lgica de dos valores (o
bivalente s-no).

Para volver al ejemplo, ahora consideran un grfico de tiempo escala

continua de fin de semana-dad se muestra en los siguientes grficos.
Al hacer que la trama continua, que est definiendo el grado en que un
momento dado pertenece en el fin de semana en lugar de un da entero. En
la parcela de la izquierda, observe que en la medianoche del viernes, al
igual que los segundos barridos manuales ltimos 12, el valor de verdad de
fin de semana-ness saltos discontinua de 0 a 1. Esta es una manera de
definir el fin de semana, y si bien puede ser til para un contable, puede no
conectar realmente con su propia experiencia del mundo real de fin de
semana-ness.
La trama de la derecha muestra una curva suavemente variable que explica
el hecho de que todos los viernes, y, en menor grado, las partes del Jueves,
participar de la calidad de fin de semana-dad y por lo tanto merecen
membresa parcial en el conjunto difuso de fin de semana momentos. La
curva que define el fin de semana-dad de cualquier instante en el tiempo es
una funcin que mapea el espacio de entrada (tiempo de la semana) para el
espacio de salida (fin de semana-dad). En concreto se conoce como una
funcin de pertenencia. Consulte Funciones de membresa para una
discusin ms detallada.
Como otro ejemplo de conjuntos difusos, examinar la cuestin de las
estaciones. Qu estacin es en este momento? En el hemisferio norte, el
verano comienza oficialmente en el momento exacto en la rbita de la
tierra, cuando el Polo Norte est apuntando ms directamente hacia el sol.
Ocurre exactamente una vez al ao, a finales de junio. Utilizando las
definiciones astronmicas para la temporada, se obtiene lmites definidos
como se muestra a la izquierda en la figura que sigue. Pero lo que se

experimenta como las estaciones varan ms o menos continua, como se

muestra a la derecha en la figura siguiente (en climas templados del
hemisferio norte).

Funciones de Pertenencia
Una funcin de pertenencia (MF) es una curva que define la forma en cada
punto en el espacio de entrada se asigna a un valor de pertenencia (o grado
de pertenencia) entre 0 y 1. El espacio de entrada se refiere a veces como
el universo de discurso, una fantasa nombrar a un concepto simple.

Uno de los ejemplos ms utilizados de un conjunto difuso es el conjunto de

personas altas. En este caso, el universo de discurso es todas las alturas
posibles, digamos de 3 pies a 9 pies, y la palabra de alto correspondera a
una curva que define el grado en que una persona es alto. Si se da el
conjunto de las personas altas del (quebradizo) lmite de un conjunto clsico
bien definido, se podra decir todas las personas ms altas que 6 pies se
consideran oficialmente altura. Sin embargo, tal distincin es claramente
absurdo. Se puede tener sentido considerar el conjunto de todos los
nmeros reales mayores que 6 porque los nmeros pertenecen en un plano
abstracto, pero cuando queremos hablar de la gente real, no es razonable
que llamar a una persona corta y otra de alto cuando difieren en altura por
el ancho de un cabello.

Si el tipo de distincin mostrado anteriormente es inviable, entonces cul

es la manera correcta de definir el conjunto de las personas altas? As como
con la trama de das de fin de semana, la siguiente figura muestra una
curva suavemente variable que pasa de no-alto de altura. El eje de salida es
un nmero conocido como el valor de pertenencia entre 0 y 1. La curva se
conoce como una funcin de pertenencia y, a menudo se da la designacin
de . Esta curva define la transicin de no alto a alto. Tanto las personas
son altos en cierta medida, pero uno es significativamente menos alto que
el otro.

Interpretaciones subjetivas y unidades apropiadas son integrados en

conjuntos difusos. Si dices "Es alta," la funcin de pertenencia de altura ya
debera tener en cuenta si se est refiriendo a un nio de seis aos de edad
o una mujer adulta. Del mismo modo, las unidades se incluyen en la curva.
Ciertamente no tiene sentido decir "Es ella altura en pulgadas o en
metros?"

Funciones de membresa de la Lgica Difusa software Caja de herramientas

La nica condicin una funcin de pertenencia realmente debe satisfacer es
que debe variar entre 0 y 1. La funcin de s mismo puede ser una curva
cuya forma arbitraria podemos definir como una funcin que se adapte a
nosotros desde el punto de vista de la simplicidad, comodidad, velocidad, y
eficiencia.
Un conjunto clsica podra expresarse como
A = {x | x > 6}
Un conjunto difuso es una extensin de un conjunto clsico. Si X es el
universo de discurso y sus elementos se denotan por x, a continuacin, un
conjunto difuso A en X se define como un conjunto de pares ordenados.
A = {x, A(x) | x X}
A(x) se llama la funcin de pertenencia (o MF) de x en A. La funcin de
pertenencia mapas de cada elemento de X a un valor de pertenencia entre
0 y 1.

La caja de herramientas incluye 11 tipos de funciones de pertenencia

incorporadas. Estas 11 funciones son, a su vez, construidos a partir de
varias funciones bsicas:

a nivel de pieza funciones lineales

la funcin de distribucin gaussiana
la curva sigmoide
curvas polinmicas cuadrticas y cbicas

Para obtener informacin detallada sobre cualquiera de las funciones de

pertenencia mencionados siguiente, consulte la pgina de referencia
correspondiente. Por convencin, todas las funciones de pertenencia tienen las
letras MF al final de sus nombres.

Las funciones de pertenencia ms simples se forman utilizando lneas rectas.

De stos, el ms simple es la funcin de pertenencia triangular, y tiene el
nombre de la funcin trimf. Esta funcin no es ms que una coleccin de tres
puntos que forman un tringulo. La funcin de pertenencia trapezoidal, trapmf,
tiene una parte superior plana y realmente es slo una curva tringulo
truncado. Estas funciones de pertenencia lnea recta tienen la ventaja de la
simplicidad.

Dos funciones de pertenencia se construyen sobre la curva de distribucin

gaussiana: una curva de Gauss simple y un material compuesto de dos caras
de dos curvas gaussianas diferentes. Las dos funciones son gauss y Gauss 2mf.
La funcin de pertenencia campana generalizada est especificado por tres
parmetros y tiene el nombre de la funcin gbellmf. La funcin de pertenencia
de campana tiene un parmetro ms de la funcin de pertenencia gaussiana,
por lo que puede acercarse a un conjunto no difusa si el parmetro libre est
sintonizado. Debido a su suavidad y notacin concisa, funciones de pertenencia
gaussianas y botones son mtodos populares para la especificacin de los

conjuntos borrosos. Ambas curvas tienen la ventaja de ser suave y distinto de

cero en todos los puntos

Aunque las funciones de pertenencia gaussianas y funciones de pertenencia de

campana lograr suavidad, no son capaces de especificar las funciones de
pertenencia asimtricos, que son importantes en ciertas aplicaciones. A
continuacin, se define la funcin de pertenencia sigmoidal, que puede ser
abierta izquierda o la derecha. Asimtrica y cerrado (es decir, no se abre a la
izquierda oa la derecha) funciones de pertenencia se pueden sintetizar usando
dos funciones sigmoides, lo que adems de la sigmf bsica, usted tambin
tiene la diferencia entre dos funciones sigmoides, dsigmf, y el producto de dos
funciones sigmoidales psigmf.

Curvas polinmicas basadas representan varias de las funciones de

pertenencia en la caja de herramientas. Tres funciones de pertenencia
relacionadas son la Z, S, y las curvas de Pi, todas nombradas debido a su
forma. El ZMF funcin es la curva polinmica asimtrica abierta a la izquierda,
SMF es la funcin de imagen especular que se abre a la derecha, y pimf es cero
en ambos extremos con un aumento en el medio.

Hay una muy amplia seleccin para elegir cuando usted est seleccionando
una funcin de pertenencia. Tambin puede crear sus propias funciones de
pertenencia con la caja de herramientas. Sin embargo, si una lista basada en
funciones de pertenencia ampliadas parece demasiado complicado, slo
recuerde que usted probablemente podra llevarse muy bien con slo uno o dos
tipos de funciones de pertenencia, por ejemplo las funciones triangulares y
trapezoidales. La seleccin es amplia para aquellos que desean explorar las
posibilidades, pero las funciones de pertenencia caros no son necesarios para
un buen sistema de inferencia difusa. Por ltimo, recuerde que ms detalles se
encuentran disponibles en todas estas funciones en la seccin de referencia.
Resumen de las funciones de membresa
Los conjuntos difusos describen conceptos vagos (por ejemplo, corredor rpido,
clima caliente, da de fin de semana).
Un conjunto difuso admite la posibilidad de la afiliacin parcial en ella. (por
ejemplo, el viernes es una especie de da de fin de semana, el clima es
bastante caliente).
El grado un objeto pertenece a un conjunto difuso se denota por un valor de
pertenencia entre 0 y 1. (por ejemplo, el viernes es un da de fin de semana
con el grado 0,8).
Una funcin de pertenencia asociado con un conjunto difuso dado los mapas de
un valor de entrada a su valor de pertenencia apropiado.

Operaciones lgicas
Ahora que usted entiende la inferencia difusa, es necesario ver cmo difusa
inferencia conecta con operaciones lgicas.

Lo ms importante darse cuenta sobre el razonamiento lgico difuso es el

hecho de que es un superconjunto de la lgica booleana estndar. En otras
palabras, si mantiene los valores difusos en sus extremos de 1 (totalmente

cierto), y 0 (completamente falso), operaciones lgicas estndar sostendrn.

Como ejemplo, considere las siguientes tablas de verdad estndar.

Ahora, debido a que en la lgica difusa la verdad de cualquier declaracin es

una cuestin de grado, se pueden modificar estas tablas de verdad? Los
valores de entrada pueden ser nmeros reales entre 0 y 1. Qu funcin
conserva los resultados de la mesa Y la verdad (por ejemplo) y tambin se
extiende a todos los nmeros reales entre 0 y 1?

Una respuesta es la operacin min. Es decir, resolver la declaracin de A y B,

donde A y B estn limitados a la gama (0,1), utilizando la funcin min (A, B).
Utilizando el mismo razonamiento, se puede reemplazar la operacin O con la
funcin de mximo, de modo que A o B se convierte en el equivalente a un
mximo (A, B). Finalmente, la operacin no se convierte en un equivalente a la
operacin. Observe cmo la tabla de verdad anterior es completamente sin
cambios por esta sustitucin.

Por otra parte, debido a que es una funcin de detrs de la tabla de verdad en
lugar de la tabla de verdad en s, ahora se puede considerar valores distintos
de 1 y 0.

La siguiente figura utiliza un grfico para mostrar la misma informacin. En

esta figura, la tabla de verdad se convierte en una parcela de dos conjuntos
borrosos aplicados juntos para crear un conjunto difuso. La parte superior de la
figura muestra las parcelas correspondientes a las tablas de verdad bivalentes
anteriores, mientras que la parte inferior de la figura muestra cmo las
operaciones trabajan en un rango de variacin continua de la verdad valora A y
B de acuerdo con las operaciones difusas que haya definido.

Teniendo en cuenta estas tres funciones, puede resolver cualquier tipo de

construccin usando conjuntos difusos y la operacin lgica difusa AND, OR y
NOT.

Operadores Difusos adicionales

En este caso, hemos definido slo una correspondencia particular, entre dos de
valor y de valores mltiples operaciones lgicas de AND, OR y NOT. Esta
correspondencia es de ninguna manera nica.
En trminos ms generales, se est definiendo lo que se conoce como la
interseccin borrosa o conjuncin (Y), unin borrosa o disyuncin (OR) y el
complemento difusa (NO). Los operadores clsicos de estas funciones son: Y =
min, OR = max, y NO = complemento aditivo. Normalmente, las aplicaciones
de la lgica ms difusos hacen uso de estas operaciones y dejarlo en eso. En
general, sin embargo, estas funciones son arbitrarias en un grado
sorprendente. Software Lgica Difusa Herramientas utiliza el operador
clsico para el complemento difuso como se muestra en la figura anterior, sino
que tambin le permite personalizar el operadores AND y OR.

La interseccin de dos conjuntos borrosos A y B se especifica en general por

una asignacin binario T, que agrega dos funciones de pertenencia de la
siguiente manera:
AB(x) = T(A(x), B(x))

Por ejemplo, el operador binario T puede representar la multiplicacin de. Estos

operadores de interseccin difusos, que se denominan generalmente como Tnorma operadores (norma triangular), cumplan con los siguientes requisitos
bsicos:

Un operador T-norma es una asignacin binario T (.,.) Que satisface

lmite: T (0, 0) = 0, T (a, 1) = T (1, a) = a
monotonicidad: T (a, b) <= T (c, d) si a <= c y b <= d
conmutatividad: T (a, b) = T (b, a)
asociatividad: T (a, T (b, c)) = T (T (a, b), c)

El primer requisito impone la generalizacin correcta a crujientes conjuntos. El

segundo requisito implica que una disminucin en los valores de pertenencia
en A o B no puede producir un aumento en el valor de la pertenencia a una
interseccin B. El tercer requisito indica que el operador es indiferente el orden
de los conjuntos difusos para ser combinados. Por ltimo, el cuarto requisito
nos permite tomar la interseccin de cualquier nmero de juegos en cualquier
orden de agrupaciones por pares.
Como interseccin borrosa, el operador de unin difusa se especifica en
general por una asignacin binario S:

AB(x) = S(A(x), B(x))

Por ejemplo, el operador binario S puede representar la adicin de. Estos

operadores sindicales difusos, que se refieren a menudo como los operadores
T-conorma (S-norma o), debern cumplir los siguientes requisitos bsicos:

A T-conorma (o S-norma) es un operador de asignacin binario S (.,.) Que

satisface

lmite: S (1, 1) = 1, S (a, 0) = S (0, a) = a

monotonicidad: S (A, B) <= S (c, d) si un <= c y b <= d
conmutatividad: S (a, b) = S (b, a)
asociatividad: S (a, S (b, c)) = S (S (a, b), c)

Se han propuesto varios T-normas parametrizados y T-conormas duales en el

pasado, tales como los de Yager [10], Dubois y Prade [1], Schweizer y Sklar [7],
y Sugeno [8], se encontr en la Bibliografa . Cada uno de ellos proporciona una
forma de variar la ganancia de la funcin de modo que puede ser muy
restrictivas o muy permisivo.

Si-Entonces Reglas
Los conjuntos difusos y los operadores difusos son los sujetos y los verbos de la
lgica difusa. Estos si-entonces sentencias de normas se utilizan para formular
las declaraciones condicionales que componen la lgica difusa.

Una sola borrosa si-entonces regla asume la forma

if x is A then y is B

donde A y B son valores lingsticos definidos por conjuntos difusos en los

rangos (universos de discurso) X e Y, respectivamente. La parte si de la regla
"x es A" se llama el antecedente o premisa, mientras que el entonces parte de
la regla "y es B" se llama la consecuente o conclusin. Un ejemplo de una
norma de este tipo podra ser

Si el servicio es bueno, entonces consejo es media

El concepto bien se representa como un nmero entre 0 y 1, y as el

antecedente es una interpretacin que devuelve un nico nmero entre 0 y 1.
Por el contrario, la media se representa como un conjunto difuso, y as la
consecuente es una asignacin que asigna el todo conjunto difuso B a la
variable de salida y. En la regla, entonces si, la palabra se se utiliza de dos
maneras completamente diferentes dependiendo de si aparece en el
antecedente del consecuente. En trminos de MATLAB, este uso es la distincin

entre una prueba relacional utilizando "==" y una asignacin variable

utilizando el smbolo "=". Una manera menos confusa de escribir la regla sera

Si el servicio == bueno entonces punta = Media

En general, la entrada a un entonces si-regla es el valor actual de la variable de

entrada (en este caso, el servicio) y la salida es un conjunto completo difusa
(en este caso, promedio). Este conjunto ser posteriormente defuzzificado
asignar un valor a la salida. El concepto de defuzzification se describe en la
siguiente seccin.

Interpretando una continuacin si en reglas implica partes distintas: primero

evaluar el antecedente (que implica fuzzifying la entrada y la aplicacin de
cualquier operadores difusos necesarias) y segunda aplicacin de ese resultado
a la consecuente (conocido como implicacin). En el caso de mucha dificultad y
dos valoran o lgica binaria, reglas si-entonces no presentan. Si la premisa es
verdadera, entonces la conclusin es verdadera. Si se relaja las restricciones de
dos-valorada lgica y deja que el antecedente sea una declaracin difusa,
cmo se refleja esto en la conclusin? La respuesta es simple. si el antecedente
es verdad hasta cierto grado de pertenencia, entonces la consiguiente tambin
es cierto que ese mismo grado.

Por lo tanto:

en lgica binaria: p q (p y q son ambos verdadera o falsa tanto.)

en la lgica difusa: 0,5 p q 0,5 (antecedentes parciales proporcionan
implicacin parcial.)

El antecedente de una regla puede tener varias partes.

si el cielo es gris y el viento es fuerte y el barmetro est cayendo, entonces ...

En cuyo caso todas las partes del antecedente se calculan de forma simultnea
y se resolvieron a un nico nmero con los operadores lgicos descritos en el
apartado anterior. La consecuente de una regla puede tener varias partes.

si la temperatura es fra y luego se se cierra la vlvula de agua fra abierta y la

vlvula de agua caliente

en cuyo caso todas las consecuencias se ven afectados por igual por el
resultado de la antecedente. Cmo se ve afectada por la consiguiente el
antecedente? La consiguiente especifica un conjunto difuso se asigna a la
salida. La funcin de implicacin entonces modifica ese conjunto difuso en la
medida especificada por el antecedente. Las formas ms comunes para
modificar la salida de conjuntos difusos son truncamiento utilizando la funcin
min (donde se trunca el conjunto difuso como se muestra en la siguiente
figura) o escalar utilizando la funcin de prod (donde se aplasta la salida de
conjuntos difusos). Ambos se apoyan en la caja de herramientas, pero utilizar
el truncamiento de los ejemplos de esta seccin.

Resumen de las reglas si-entonces

Interpretando entonces si-normas es un proceso de tres partes. Este proceso se
explica en detalle en la siguiente seccin:

Insumos Fuzzify: Resolver todas las declaraciones difusas en el antecedente de

un grado de pertenencia entre 0 y 1. Si slo hay una parte al antecedente,
entonces este es el grado de apoyo a la regla.
Aplicar operador difusa para mltiples antecedentes de parte: Si hay varias
partes en el antecedente, aplicar operadores de lgica difusa y resolver el
antecedente de un nico nmero entre 0 y 1. Este es el grado de apoyo a la
regla.
Aplicar el mtodo implicacin: Utilice el grado de apoyo a toda la regla para dar
forma a la salida del conjunto difuso. La consecuente de una regla difusa
asigna todo un conjunto difuso a la salida. Este conjunto difuso est
representado por una funcin de pertenencia que se elige para indicar las
cualidades de la consecuente. Si el antecedente es slo parcialmente cierto,
(es decir, se asigna un valor inferior a 1), entonces la salida fuzzy set se trunca
segn el mtodo de implicacin.

En general, una regla por s sola no es eficaz. Dos o ms reglas que pueden
jugar fuera mutuamente se necesitan. La salida de cada regla es un conjunto
difuso. La salida de los conjuntos difusos para cada regla se agregan en un
conjunto difuso de salida nica. Finalmente, el conjunto resultante se
defuzzificado o resolver en un solo nmero. Construir sistemas Mamdani (GUI)
muestra cmo funciona todo el proceso de principio a fin para un tipo particular
de sistema de inferencia difuso llamado un tipo Mamdani

Proceso de Inferencia Difusa

Inferencia difusa es el proceso de formulacin de la asignacin de una

determinada entrada a una salida utilizando la lgica difusa. El mapeo
continuacin proporciona una base desde la cual se pueden tomar decisiones,
o patrones de discernir. El proceso de inferencia difusa implica todas las piezas
que se describen en Funciones de Pertenencia, operaciones lgicas y reglas sientonces.

En esta seccin se describe el proceso de inferencia difuso y utiliza el ejemplo

del problema de inflexin de dos entradas, una sola salida, tres regla The
Tipping problema bsico que se vio en la introduccin con ms detalle. La
estructura bsica de este ejemplo se muestra en el siguiente diagrama:

La informacin fluye de izquierda a derecha, de dos entradas a una nica

salida. La naturaleza paralela de las reglas es uno de los aspectos ms
importantes de los sistemas de lgica difusa. En lugar de conmutacin agudo
entre los modos basados en puntos de interrupcin, la lgica fluye suavemente
de regiones donde el comportamiento del sistema est dominado por
cualquiera de una regla u otra.
Proceso de inferencia difusa se compone de cinco partes:
Fuzzificacin de las variables de entrada
Aplicacin del operador fuzzy (AND u OR) en el antecedente
Implicacin del antecedente al consecuente
La agregacin de las consecuencias a travs de las reglas
defuzzificacin
Un diagrama de inferencia difusa muestra todas las partes del proceso de
inferencia difusa - de fuzzificacin travs defuzzificacin.
Paso 1. Fuzzify Entradas
El primer paso es tomar las entradas y determinar el grado en que pertenecen
a cada uno de los conjuntos difusos correspondientes a travs de las funciones
de pertenencia. En la caja de herramientas de software Fuzzy Logic , la
entrada es siempre un valor numrico crujiente limitado al universo de discurso
de la variable de entrada (en este caso el intervalo entre 0 y 10) y la salida es
un grado difuso de la membresa en el conjunto lingstico clasificacin
(siempre que el intervalo entre 0 y 1). Fuzzificacin de la entrada asciende a
cualquiera una bsqueda en la tabla o una evaluacin de la funcin.

Este ejemplo se basa en tres reglas, y cada una de las normas depende de la
resolucin de las entradas en un nmero de diferentes conjuntos lingsticos
difusos: el servicio es malo, el servicio es bueno, la comida es rancia, la comida
es deliciosa, y as sucesivamente. Antes de las reglas pueden ser evaluadas,
las entradas deben ser fuzzificadas de acuerdo a cada uno de estos conjuntos
lingsticos. Por ejemplo, en qu medida es la comida realmente deliciosa? La
siguiente figura muestra lo bien que la comida en el restaurante hipottica
(puntuacin en una escala de 0 a 10) califica, (a travs de su funcin de
pertenencia), como la variable lingstica deliciosa. En este caso, nos
clasificado la comida como un 8, que, dada su definicin grfica de delicioso,
corresponde a = 0.7 para la funcin de pertenencia delicioso.

De esta manera, cada entrada se fuzzificado sobre todas las funciones de

pertenencia de calificacin exigidas por las normas.

Paso 2. Aplicar Operador Fuzzy

Despus de que las entradas se fuzzificadas, usted sabe el grado en que se
cumple para cada regla de cada parte del antecedente. Si el antecedente de
una regla dada tiene ms de una parte, el operador difuso se aplica para
obtener un nmero que representa el resultado del antecedente para esa regla.
Este nmero se aplica entonces a la funcin de salida. La entrada al operador
difuso es dos o ms valores de pertenencia de las variables de entrada
fuzzificado. La salida es un solo valor de verdad.

Como se describe en la seccin Operaciones Lgico, cualquier nmero de

mtodos bien definidos puede reemplazar a la operacin AND o la operacin
OR. En la caja de herramientas, dos incorporado y mtodos estn soportados:
min (mnimo) y prod (producto). Dos incorporado o mtodos tambin son
compatibles: max (mximo), y la probor probabilstico o mtodo. El
probabilstica o mtodo (tambin conocido como la suma algebraica) se calcula
segn la ecuacin

probor(a,b) = a + b ab

Adems de estos mtodos incorporados, puede crear sus propios mtodos para
Y y O por escrito cualquier funcin y establecer que para ser el mtodo de
eleccin.

La siguiente figura muestra la O max operador en el trabajo, evaluando el

antecedente de la regla 3 para el clculo de inflexin. Las dos piezas diferentes
del antecedente (el servicio es excelente y la comida es deliciosa) produjeron
la pertenencia difusa valores 0.0 y 0.7 respectivamente. El operador difuso O
simplemente selecciona el mximo de los dos valores, 0.7, y la operacin
difusa para la regla 3 se ha completado. El mtodo probabilstico O todava
resultar en 0.7.

Paso 3. Aplicar el mtodo Implicacin

Antes de aplicar el mtodo de implicacin, debe determinar el peso de la regla.
Cada regla tiene un peso (un nmero entre 0 y 1), que se aplica a la cantidad
propuesta por el antecedente. Generalmente, este peso es 1 (como lo es para
este ejemplo) y por lo tanto no tiene ningn efecto en absoluto sobre el
proceso de implicacin. De vez en cuando es posible que desee para cargar
una regla relativa a los otros, cambiando su valor de peso a algo distinto de 1.

Despus de una ponderacin adecuada se ha asignado a cada regla, el mtodo

de implicacin se implementa. Un consiguiente es un conjunto difuso
representado por una funcin de pertenencia, que pondera adecuadamente las
caractersticas lingsticas que se le atribuyen. La consiguiente se forma de
nuevo el uso de una funcin asociada con el antecedente (un solo nmero). La
entrada para el proceso de implicacin es un solo nmero dado por el
antecedente, y la salida es un conjunto difuso. Implicacin se implementa para
cada regla. Dos mtodos incorporados son compatibles, y son las mismas
funciones que se utilizan por el y mtodo: min (mnimo), que trunca el conjunto
de salida difusa, y prod (producto), que escala la produccin de conjuntos
difusos.

Paso 4. agregadas todas las salidas

Dado que las decisiones se basan en las pruebas de todas las reglas en una de
esqu alpino, las reglas se deben combinar de alguna manera con el fin de
tomar una decisin. La agregacin es el proceso por el cual los conjuntos
difusos que representan las salidas de cada regla se combinan en un nico
conjunto difuso. La agregacin se produce slo una vez para cada variable de
salida, justo antes de la quinta y ltima etapa, defuzzification. La entrada del
proceso de agregacin es la lista de las funciones de salida truncados
devueltos por el proceso de implicacin de cada regla. La salida del proceso de
agregacin es un conjunto difuso para cada variable de salida.

Mientras el mtodo de agregacin es conmutativa (que debe ser siempre), a

continuacin, el orden en que se ejecutan las reglas no es importante. Tres
mtodos incorporados son compatibles:

max (mximo)
probor (probabilstica OR)
sum (simplemente la suma de conjunto de salida de cada regla)
En el siguiente diagrama, las tres reglas han sido colocados juntos para
mostrar cmo se combina la salida de cada regla, o agregada, en un solo
conjunto difuso cuya funcin de pertenencia asigna una ponderacin para cada
salida (punta) de valor.

Paso 5. Defuzzify
La entrada para el proceso defuzzificacin es un conjunto difuso (la salida de
conjunto difuso agregado) y la salida es un solo nmero. Por mucho que la
borrosidad ayuda a la evaluacin de las reglas durante las etapas intermedias,
la salida deseada final para cada variable es generalmente un solo nmero. Sin
embargo, la suma de un conjunto difuso abarca una gama de valores de salida,
y as debe ser defuzzificado con el fin de resolver un nico valor de salida del
conjunto.

Quizs el mtodo ms popular es defuzzification el clculo centroide, que

devuelve el centro del rea bajo la curva. Hay cinco mtodos incorporados
soportados: centroide, bisectrices, medio de mximo (el promedio del valor

mximo del conjunto de salida), el ms grande de la mxima, y el ms

pequeo del mximo.

Diagrama Inferencia Difusa

El esquema de inferencia difusa es la combinacin de todos los diagramas ms
pequeos presentados hasta ahora en esta seccin. Se muestra
simultneamente todas las partes del proceso de inferencia difuso que haya
examinado. La informacin fluye a travs del esquema de inferencia difuso
como se muestra en la siguiente figura.

En esta figura, el flujo prosigue hasta de las entradas en la parte inferior

izquierda, luego a travs de cada fila, o regla, y luego por las salidas de reglas
para terminar en la parte inferior derecha. Este flujo compacto muestra todo a
la vez, de lingstica fuzzificacin variable de todo el camino a travs de
defuzzificacin del producto agregado.

La siguiente figura muestra el tamao completo diagrama real de inferencia

difusa. Hay mucho para ver en un diagrama de inferencia difusa, pero despus
de que se acostumbre a ella, usted puede aprender mucho acerca de un
sistema muy rpidamente. Por ejemplo, a partir de este diagrama con estas
entradas particulares, usted puede ver fcilmente que el mtodo de
implicacin es truncado con la funcin min. La funcin max est siendo
utilizado para el fuzzy u operacin. Regla 3 (el ms inferior fila en el diagrama
mostrado anteriormente) es tener la mayor influencia en la salida. etctera. El
Visor de Reglas descrito en la regla Viewer es una aplicacin MATLAB del
diagrama de inferencia difusa.

Tipos de sistemas de inferencia difusos

Puede implementar dos tipos de sistemas de inferencia difusos en la caja de
herramientas:
Mamdani
Sugeno
Estos dos tipos de sistemas de inferencia varan algo en la forma salidas se
determinan.
Mamdani mtodo de inferencia difusa es la metodologa que ms se ve
borrosa. Mtodo de Mamdani fue uno de los primeros sistemas de control
construidos utilizando la teora de conjuntos difusos. Se propuso en 1975 por
Ebrahim Mamdani [4] como un intento de controlar una mquina de vapor y
caldera mixta mediante la sntesis de un conjunto de reglas de control
lingsticos obtenidos de operadores humanos experimentados. Esfuerzo de

Mamdani se basa en el papel de Lotfi Zadeh 1973 en algoritmos difusos de los

sistemas complejos y procesos de decisin [13]. Aunque el proceso de
inferencia se describe en las siguientes secciones difiere un poco de los
mtodos descritos en el documento original, la idea bsica es la misma.
De tipo Mamdani inferencia, como se defini para la caja de herramientas,
espera que las funciones de pertenencia de salida sean conjuntos difusos.
Despus de que el proceso de agregacin, hay un conjunto difuso para cada
variable de salida que necesita defuzzification. Es posible, y en muchos casos
mucho ms eficiente, para utilizar un nico pico como la funcin de
pertenencia de salida en lugar de un conjunto difuso distribuido. Este tipo de
salida se conoce a veces como una funcin de pertenencia de salida singleton,
y puede ser pensado como un conjunto difuso pre-defuzzificados. Se mejora la
eficiencia del proceso de defuzzification porque simplifica en gran medida el
clculo requerido por el mtodo ms general Mamdani, que encuentra el
centroide de una funcin de dos dimensiones. En lugar de la integracin a
travs de la funcin de dos dimensiones para encontrar el centro de gravedad,
se utiliza el promedio ponderado de los pocos puntos de datos. Sistemas de
tipo Sugeno admiten este tipo de modelo. En general, los sistemas de tipo
Sugeno se pueden utilizar para modelar cualquier sistema de inferencia en el
que las funciones de pertenencia de salida son bien lineal o constante.
Ver la bibliografa para las referencias a las descripciones de estos dos tipos de
sistemas de inferencia difusos, [5], [4], [9].

Sistemas de inferencia difusos se han aplicado con xito en campos como el

control automtico, clasificacin de datos, anlisis de decisiones, sistemas
expertos, y la visin por computador. Debido a su carcter multidisciplinar,
sistemas de inferencia difusos estn asociados con una serie de nombres,
como los sistemas basados en lgica difusa en reglas, sistemas expertos
difusos, modelado difuso, memoria asociativa difusa, controladores de lgica
difusa, y simplemente (y ambiguamente) sistemas difusos.

ejemplo

Lgica Difusa Procesamiento de Imgenes

Abrir este Ejemplo

Este ejemplo muestra cmo utilizar el software Caja de herramientas de la
lgica difusa para el procesamiento de imgenes. En concreto, este ejemplo
muestra cmo detectar los bordes de una imagen.

Una arista es un lmite entre dos regiones uniformes. Puede detectar un borde
comparando la intensidad de los pxeles vecinos. Sin embargo, porque las
regiones uniformes no estn definidos quebradizo, pequeas diferencias de
intensidad entre dos pxeles vecinos no siempre representan una ventaja. En
cambio, la diferencia en la intensidad podra representar un efecto de
sombreado.

El enfoque de la lgica difusa para el procesamiento de imgenes le permite

utilizar funciones de pertenencia para definir el grado en el que un pxel
pertenece a un borde o una regin uniforme.

Importacin RGB Imagen y Convertir a escala de grises

Importar la imagen en MATLAB.

Irgb = imread('peppers.png');
IRGB es una matriz uint8 384 x 512 x 3. Los tres canales de RGB (dimensin
tercera matriz) representan las intensidades de rojo, verde y azul de la imagen.
Convertir Rgb a escala de grises para que pueda trabajar con una matriz de 2D en lugar de una matriz de 3-D. Utilice la frmula de conversin estndar
NTSC para calcular la luminancia de cada pxel efectivo.