32

CLUSTERING DIFUSO
Como se presenta en la siguiente, generalmente para la modelacin
difusa, se pone primero atencin en las premisas de las reglas y se
encuentra la particin de las variables de entrada. Esta particin se
realiza independientemente para cada una de las variables,
encontrndose las reglas difusas al realizar las diversas
combinaciones posibles entre los conjuntos difusos obtenidos.

En Clustering difuso, el nmero ptimo de reglas y conjuntos

difusos del modelo se determina haciendo una particin del universo
de la variable de salida y luego proyectndolo al espacio de entrada
(Sugeno, 1993).

Doris Sez. Apuntes V3: Clustering Difuso. Mayo, 2002, U. Quilmes.

33

Para obtener los conjuntos difusos de la salida o los clusters

asociados a la salida, el criterio utilizado es considerar una particin
del espacio de salida tal que cada conjunto o cluster sea lo ms
distinto posible a los otros pero que sus elementos sean lo ms
parecido posible entre s. Esto es que la varianza entre clusters debe
ser mxima pero mnima al interior de stos:
n

S(c) = ( ik )m x k v i vi x
k =1 i =1

donde

n nmero de datos para el clustering,

c nmero de clusters,
xk k-simo vector de datos,
x promedio de los datos,
vi centro del cluster i-simo,
ik grado del k-simo dato perteneciente al i-simo cluster,
m peso ajustable.

Por lo tanto, se obtiene que todas las salidas tienen asociado un

grado de pertenencia al conjunto difuso B.
A continuacin, se consideran los siguientes datos asociados con
grado de pertenencia de yi en B j ( 1 j c )

( x i , y i ), B1 ( y i ), B 2 ( y i ), K, B c ( y i )
A continuacin los conjuntos difusos correspondientes son
inducidos al realizar una proyeccin de los clusters del espacio de
salida sobre el espacio de entradas. Esta proyeccin se realiza de
modo tal que se cumpla la siguiente condicin:

A1 ( x 1i ) = A 2 ( x i2 ) = L = A p ( x ip ) = B( y i )
Doris Sez. Apuntes V3: Clustering Difuso. Mayo, 2002, U. Quilmes.

34

Como se muestra en la siguiente figura , el conjunto B del espacio

de salida ha sido proyectado en los conjuntos difusos Aj del espacio
de entrada, posibilitando de esta manera establecer la siguiente regla
difusa:

R : Si x 1 es A1 y x 2 es A 2 entonces y es B

Doris Sez. Apuntes V3: Clustering Difuso. Mayo, 2002, U. Quilmes.

35

Sin embargo, se debe considerar que el conjunto A sea no convexo

como se muestra en la siguiente figura. En este caso el conjunto
difuso del espacio de salida se proyecta en ms de un cluster en el
espacio de entradas. Por lo tanto, se obtiene ms de una regla para el
mismo cluster del espacio de salida, es decir:

R 1 : Si x 1 es A11 y x 2 es A12 entonces y es B

R 2 : Si x 1 es A12 y x 2 es A 22 entonces y es B

De esta manera, el clustering difuso entrega el nmero ptimo de

reglas difusas y conjuntos difusos.

Doris Sez. Apuntes V3: Clustering Difuso. Mayo, 2002, U. Quilmes.