Lo gica Difusa

Rodrigo Salas Universidad de Valpara so Valparaso-Chile rodigo.salas@uv.cl

1.

Introduccio n
basado en el artculo de

sobre algu n dominio P de todas las persosnas y usando Michael Berthold en el captulo 9 de Lo gica Difusa la funcio n edad que retorna la edad en an os de del alguna persona x P. Ademas podemos definir la funcio n caraclibro Intelligent Data Analysis [?]. terstica: En una gran cantidad de tecnicas o enfoques para el analisis de los datos asumen que se tienen datos 1 edad(x) 20 precisos, es decir, se asume que se tienen mediciones exactas. Pero m joven (x) en la mayora de las aplicaciones reales, nunca se tiene 0 edad(x) > 20 = una precisio n en las medidas, siempre existira un el cual asigna a los elementos de P el valor de 1 cuando graun elemento pertenece al conjunto de las personas jo do de incertidumbre. En el contexto de la incertidumvenes, y 0 sino. Esta funcio n caracterstica puede ser bre nosotros estamos interesados en el rango en que caen vista co- mo una funcio n de membresa para el nuestras mediciones. conjunto joven, definiendo el conjunto joven en P. En este artculo se presentara un enfoque que se Sin embargo, una persona que tenga un poco mas de preocu- pa de conceptos imprecisos basados en la Lo 20 an os reclamara que se considera una persona jo gica Difusa. Esta tipo de lo gica nos premite enfrentar la ven con un alto grado de pertenencia, por lo tanto la incertidumbre en una forma natural e intuitiva. Ademas definicio n del conjunto joven usando una frontera tan de hacer posi- ble la formalizacio n de nu meros marcada no es la manera mas apropiada. La idea imprecisos, tambien nos permite realizar aritmetica fundamental que ex- iste detras de la teora de utilizando tales nu meros difu- sos. La teora clasica conjuntos difusos es una visio n diferente de la nocio n de conjuntos puede ser extendida para manejar membres de membresa y consiste en que los elementos pueden a parcial haciendo posible expre- sar los vagos pertenecer a mas de un conjunto con cierto grado de conceptos humanos usando conjuntos difu- sos y adema pertenencia. En nuestro ejemplo, podemos decir que una s describiendo el sistema de inferencia corre- spondiente persona de 21 an os pertenece al conjunto de joven pero basado en reglas difusas. con un grado de 0,9. Por lo tanto la funcio n de membres a podra ser:

El presente artculo esta

joven = {x P|edad(x) 20}

2.

Conceptos Ba sicos de Lo gica Di- fusa y Conjuntos Difusos

1

1
edad(x)20

edad(x) 20

 joven (x) = 1 20 < edad(x) 30 10 Consideremos por ejemplo el conjunto de las personas 0 edad(x) > 20 jo venes, asumiendo que nuestra percepcio n de una per- sona jo ven es alguien que tiene una edad no Ahora el conjunto joven contiene a personas entre 20 mayor a 20 an os, entonce segu n la teora clasica el y 30 an os con un grado de membresa que decrece conjunto se define de la siguiente manera: lineal- mente (ver figura 1). Un conjunto difuso A es definido a

clases de funciones que pueden estar especificadas con pocos parametros. En la figura 2 muestra las formas ma s usadas

Figura 1: Variables linguisticas de la edad con tres conjuntos difusos, y el grado de pertenencia para una cierta edad p. traves de la especificacio n de la funcio n de membres a de A : A (x) [0, 1]. Estas ideas fueron introducidas por Lofti A. Zadeh en 1965 [?]

2.1. Variables Lingu sticas y Conjuntos Di- fusos

El cubrimiento del dominio de una variable con varios conjuntos difusos y con la correspondiente interpretacio n semantica resulta en una variable lingustica, permitien- do el calculo con palabras. En nuestro ejemplo esto podra significar que se definen dos funciones de membresa adi- cionales para las personas adultas y viejas, lo que permite cubrir todo el dominio de la variable edad (ver figura 1). Este tipo de representacio n es especialmente u til y apropi- ado para muchas aplicaciones del mundo real donde cier- tos conceptos son inherentemente vagos en su naturaleza, debido a su medicio n imprecisa o a la subjetividad. La superposicio n de las funciones de membresa refle- jan la naturaleza imprecisa de los conceptos. Es impor- tante tener en cuenta que los conceptos dependen de su re- spectivo contexto. Por ejemplo, un viejo estudiante puede ser un joven profesor. Esta forma de definir conjuntos difusos sobre el dominio de la variable amenudo se conoce como granulacio n. La granulacio n resulta en un agrupamiento de objetos en clusters imprecisos tambien conocidos como gra nulos difusos, con los objetos formando un granulo comparten similaridades. En aplicaciones reales la forma de las funciones de membresa estan usualmente restringidas a ciertas

no pueden

de funciones de membresa.

Figura 2: Las formas mas utilizadas de funciones de mem- bresa trapezoidal, triangular, Gaussiana y singleton Un experto preferira definir su nocio n de conjunto di- fuso especificando el area donde el grado de pertenencia debera ser 1 y donde es 0. El cambio de una funcio n de membresa a otra afectara al sistema so lo dentro de los bordes de granulacio n. Los siguientes parametros pueden ser definidos y son amenudo utilizados para caracterizar cualquier funcio n de membresa difuso: so port e : sA := {x : A (x) > 0}, es el area donde la funcio n de membresa es mayor a 1. nucleo : cA := {x : A (x) = 1} es el area donde los elementos tienen un maximo grado de pertenencia al conjunto difuso. Observar que el nu cleo puede ser vaco cuando la funcio n de memebresa es menor a 1 a lo largo del todo el dominio. cut : A := {x : A (x) }, es el corte en la fun- cio n de membresa de A a la altura . alt ura : hA := maxx {A (x)}, es el valor ma ximo de la funcio n de membresa.

2.2. Nu meros Difusos

La motivacio n de usar nu meros difusos radica en apli- caciones del mundo real. Mediciones del mundo real son de naturaleza imprecisa y un nu mero rgido

describir este efecto de la manera mas adecuada. Generalmente las mediciones son modeladas a traves de un nu mero rgido x para el valor mas probable con un inter- valo que describe la imprecisio n. En el sentido lingustico esto puede ser expresado como alrededor de x. Al usar conjuntos difusos podemos agragar esta informacio n di- rectamente. Esto resulta en nu meros difusos los que son un tipo especial de conjuntos difusos que restringe los posibles tipos de funciones de membres a:

puede encontrar los puntos y, z que tambien tienen el grado de pertenencia de 1 usando las funciones de membresa de a y b y, que sumados, satisfacen y + z = x. Como es esperado en el caso rgido, el resultado es un singleton en el punto a + b. Para el caso difuso se utiliza el principio de extensio n [?]. Para un operador arbitrario ?, se tiene:

a?b (x) = max {mn{A (y), B (z)} |y ? z La funcio n de memebresa debe estra = x} normaliza- da y singular (es decir, el nu cleo es y,z no vaco y u nico). Esto resulta en un punto el grado de ubicado dentro del nu cleo modelando el nu mero esto significa que para un valor x mas probable de nue- stro nu mero difuso. El pertenencia es obtenido el cual es el maximo de punto recibe el nombre de val- or modal. mn{A (y), B (z)} sobre todos los posible pares y, z ademas A tiene que ser mono tonamente creciente por la izquierda y mono tonamente tal que se cumple y ? z = decreciente por la derecha del nu cleo. El ancho x. del soporte indicara el grado de imprecisio n. En otras palabras, la nueva funcio n de membres a asigna el maximo grado de pertenencia que puede Ademas necesitamos realizar calculo como sumas, restas, multiplicacio n con los nu meros difusos. ser al- canzado al encontrar la mejor combinacio n de de las variables Primero consideremos el caso clasico de sumar dos nu parametros en el dominio de involucradas. En efec- to, tales operadores convierten un meros: c = a + b, operacio n que se ilustra en la figura 3 usando fun- ciones de membresa para representar conjunto difuso en un nuevo conjunto difuso que ambos nu meros. Por lo tanto la funcio n de membres describe la operacio n. Como se puede observar en la a correspondiente a la suma, c = a+b , viene dado figura 4 co mo la forma triangu- lar se mantiene para la suma y es mas complicado para el caso de la por: multiplicacio n. a+b (x) = 1 0 si y, z sino : y + z = x a (y) = 1 b (z) = 1

de membresa de 1 so lo a aquellos puntos x cual se Figura 3: Un ejemplo para la funcio n de membresa de dos nu meros rgidos y el resultado de sumarlos En efecto, se define una funcio n que asigna el grado

al

Figura 4: Suma DifusaUn ejemplo para la funcio n de membresa de dos nu meros difusos y el resultado de sumarlos y multiplicarlos Cuando se aplica una funcio n no-lineal a los nu meros difusos, se pierde la forma triangular, y se puede utilizar el principio de extensio n para obtener su forma (ver figura 2):

 f (A) (y) = max{A (x)| x : f (x) = y}

2.3. Conjuntos Difusos y Lo gica Difusa

Los operadores clasicas de la lo gica booleana co- mo conjunciones, disyunciones y complementos tambien puede ser extendidos a conjuntos difusos. Considerar por ejemplo que deseamos encontrar el conjunto de las personas altas y jo venes, usando la lo gica clasica constru- iramos el nuevo conjunto usando la conjuncio n booleana: malt o y =
joven

La figura 5 se muestran las normas. Sin embargo al usar estas definiciones no todas las tautologas de la lo gi- ca clasica se satisfacen en el caso difuso, por ejemplo, si A (x) = 0,3: A A = False, puesto que AA = mn{A , 1 A } = mn{0,3, 0,7} = 0,3 = 0. A A = T rue, puesto que A A = ma ,1 A } = max{0,3, 0,7} = 0,7 = x{A 1.

(x)

1 0

si malt o (x) = 1 y m joven (x) = 1 sino

Sin embargo, en la lo gica difusa esa condicio n tan es- tricta es no deseada. Asumir por ejemplo que una persona pertenece al conjunto joven con un grado de 0.5 y al con- junto alt o con grado 0.8, Cual sera el grado de perte- nencia al conjunto de las personas jo venes y altas? Para responder a esta pregunta existe un familia entera de op- eradores que pueden ser definidas para poder derivar la funcio n de membresa. Lofti Zadeh [?] introdujo las siguientes funciones: Conjuncio n (Mnimo): AB (x) := mn{A (x), B (x)} Disyuncio n (Maximo): AB (x) := max{A (x), B (x)} Figura 5: Dos variantes para interpretar la unio n e inter- seccio n difusa. (Izq) mn / max de Zadeh y (Der) produc- to/suma acotada

Ahora, necesitamos definir la implicancia. Basado en la interpretacio n mn / max la siguiente definicio n Complemento: de la A (x) := 1 A (x) implicacio n difusa es la mas utilizada (motivado por A Por lo tanto, en nuestro ejemplo, la persona B = A (A B)): pertenecera al grupo de las personas jo venes y A B (x) := max{1 (x), m (x), B(x)}} al- tas con un grado de 0.5. n{A A Muchas otras funciones son posibles para interpretar Otras elecciones son: operadores de conjuntos difusos y la mayora de ellos estan formalizados usando el concepto de T-norma y Tconorma para el caso de la conjuncio n y disyuncio n re- spectivamente (ver el captulo de Gottwald en [?] y [?]).

Otra implicacio n puede obtenerse a partir de la norma de Luckasiewicz como: Conjuncio n (Producto): AB (x) := A (x) B (x) Disyuncio n (suma acotada, Lukasiewicz): AB (x) := mn{A (x) + B (x), 1}

AB (x) := mn{1, 1 A (x) + B (x)} Otras operaciones pueden derivarse a partir de esta u lti- ma expresio n: Disyuncio n (strong-or) derivado a partir de B = A A B: AB (x) := mn{1, A (x) + B (x)}

Conjuncio n (strong-and) derivado a partir de A B 2.5. Reglas Difusas = Las reglas difusas pueden usarse para caracterizar de(A pendencias imprecisas entre las diferentes variables. B): Con- siderar por ejemplo la siguiente variable: AB (x) := 1 mn{1, 1 A (x) + 1 B (x)} = SI edad(x) 25 E NT ONCE S riesgo(x) > 60 max{0, A (x) + B (x) % 1}

2.4. Modus Ponens Generalizado

En la lo gica clasica, conclusiones pueden obtenerse a partir de hechos conocidos e implicaciones basados en es- tos hechos. En la lo gica difusa, esto se extiende a hechos parcialmente verdaderos resultando en una versio n gener- alizada del Modus Ponens clasico: xESA SI x E S A E NT ONCE S y E S B y E S B0 En terminos de la lo gica difusa esto puede ser expresa- do de la siguiente manera: A0 (x) AB B0 (y) Segu n la definicio n de implicacio n usada, diferentes inter- pretaciones de la inferencia difusa se tienen: Restriccio n Conjunta: Al usar las normas mn / max, la implicacio n puede verse como formando una restriccio n en la variable conjunta, esto es, (x, y) es A B, donde es el producto cartesiano AB (x, y) = mn{A (x), B (y)}. B0 puede obtenerse a traves de B0 = A0 (A B), o B0 (v) = sup{mn{A0 (u), AB (u,
u 0

que describe el factor de riesgo para una compana asegu- radora de autos. Obviamente al usar variables lingusticas la regla es mas legible: SI edad(x) E S joven E NT ONCE S riesgo(x) E S alt o Por lo tanto las reglas difusas son de gran interes cuan- do una dependencia es ya sea imprecisa o un alto nivel de precisio n es no deseado para poder mantener una al- ta interpretabilidad. Un tipo basico de regla que es am- pliamente usado en control y otras aplicaciones tienen la siguiente forma: SI x1 E S A1 Y ... Y xn E S An E NT ONCE S y E S B Este tipo de reglas se conocen con el nombre de reglas de Mandani. En muchas aplicaciones de modelamiento

v)}}

Restriccio n Condicional: Al usar la deficio n de

Lukasiewicz una posible dependencia aparece: Poss(x = u|y = v) = mn{1, 1 A (u) + B (v)}. Y B0 puede obtenerse a partit:

B0 (v) = sup{mn{A0 (u), 1 A (u) + B

u

(v)}}