6.

8 LOGICA DE FUZZY O LOGICA DIFUSA

Conocimiento exacto e incierto
Veamos la diferencia entre algo exacto, algo aleatorio y algo
nebuloso:
Exacto: Tengo 42 aos de edad.
Aleatorio: Va a llover maana o no?
Nebuloso:Esta persona es vieja o no?; hace fro o no?

LOGICA DE FUZZY O LOGICA DIFUSA

Hay declaraciones que usted no puede decir con certeza.
Usted puede estar diciendo que llover hoy. sin embargo.
su grado de certeza es aproximadamente 0.8 en lugar de 1.
para planear este tipo de situaciones fue desarrollado la
lgica difusa o lgica de fuzzy.
La lgica difusa se trata de proposiciones que pueden ser
verdaderos con algn cierto grado de certeza ( de 0 a 1). Por
consiguiente. el valor de verdad de una proposicin indica el
grado de certeza que la proposicin sea verdad. Las
probabilidades para los eventos mutuamente exclusivos no
pueden sumar ms de 1, pero en los valores difusos si
pueden. Suponga que la probabilidad de una taza de caf
que est caliente es 0.8 y la probabilidad de la taza de caf
que est fro es 0.2. Estas probabilidades deben sumar a 1.0.
2

LOGICA DE FUZZY O LOGICA DIFUSA

Los valores difusos no necesitan sumar a 1.0. El valor de
verdad de una proposicin que una taza de caf est caliente
es 0.8. El valor de verdad de una proposicin que la taza de
caf es fro puede ser 0.5. no hay ninguna restriccin en la
sumatoria de los valores de la verdad sea mayor a 1.
DEFINICION Extensin de la Lgica Multivaluada que est
relacionada y fundamentada en la teora de Conjuntos Difusos,
segn esta teora el grado de pertenencia de un elemento a un
conjunto va a estar determinado por una funcin de
pertenencia, que puede tomar todos los valores reales
comprendidos en el intervalo [0,1].

LOGICA DE FUZZY O LOGICA DIFUSA

Un ejemplo de conjunto difuso seria de persona altas y bajas ,
se puede definir que cualquier persona es alta a partir de 1.80
(coeficiente de pertenencia al conjunto igual a 1), las personas
con menos de 1.60 m son considerados bajas (coeficiente de
pertenencia igual a 1): las personas de altura entre 1.60 y 1.80
poseen condiciones de pertenencia entre 0 y 1 siendo que este
coeficiente representa el grado con que esas personas pueden
ser considerados altas.
Estatura (m)

1
Media

Baja

Alta

0
1.60

1.80
4

6.8.1 Conjuntos clsicos versus Conjuntos

difusos
Definicin de conjuntos clsicos segn Cantor
...Entendemos por conjunto cualquier reunin en un todo M
de determinados objetos bien distinguidos m de nuestra
intuicin o pensamiento...
Esto significa que la existencia del conjunto depende de la
determinacin precisa de cuales elementos pertenecen y
cuales no a dicho conjunto (Dedekind)
En los conjuntos difusos la pertenencia de un elemento a un
conjunto no es tan drstica. El elemento puede tener un grado
de membresa a dicho conjunto
Los conjuntos clsicos se pueden representar de 3 formas
1) Nombrando los elementos del conjunto Ej: A={a,e,i,o,u}
2) Definiendo una expresin que los miembros cumplan
Ej: A={x| x es una letra vocal}

3) Definido por una funcin caracterstica

1 x A
A ( x)

0
x

Esta funcin mapea los elementos del conjunto

universo a los elementos del conjunto {0,1}.
Para cada
entonces x es miembro de A
A ( x) 1
x
a
b
e
u
w
i

A (x )
1
0
1
1
0
1

 En los conjuntos difusos la funcin caracterstica mapea los elementos al

intervalo real [0,1]
Formalmente
Sea X conjunto universo clsico tal que x sean sus elementos, esto es
. Un conjunto difuso A lo definimos mediante
A = { ( x, A (x) ) | x X }
Donde
A(x): Funcin de membresa
x X
Ejemplos:
A: Conjunto de los hombres jvenes
B: Conjunto de los hombres de edad media
C: Conjuntos de los hombres viejos
Cada uno de los conjuntos no posee lmites claros y se pueden
representar mediante conjuntos difusos.
Los conjuntos difusos son una forma de representar imprecisin e
incertidumbre

Las funciones de pertenencia podran ser:

6.8.2 Tipos de funciones de membresa

En general se puede utilizar cualquier funcin continua que
mapee los de un conjunto universo clsico dado a elementos
al intervalo [0,1], las ms comunes son:

SIGMOIDE
Diferencia entre 2 sigmoides

Funcin Gaussiana

Curvas basadas en Splines

Funcin triangular

Cmo elegir la funcin de membresa?

Hay varias formas, el mtodo a elegir depende de la aplicacin

en particular
El mtodo ms sencillo es el Horizontal
Se basa en las respuestas de N expertos
La pregunta tiene el siguiente formato
Puede ser x considerado compatible con el concepto A?
Slo se acepta un si o no por respuesta, Luego
A(x)=(Respuestas afirmativas)/N
Otros Mtodos Vertical
Mtodo de comparacin de parejas (Saaty,1980)
Mtodos basados en la especificacin del problema
Mtodos basados en la optimizacin de parmetros
Mtodos basados en la Agrupacin difusa (fuzzy clustering)
Algoritmo Fuzzy Isodata (Bezdek,1981)

6.8.3 Operaciones bsicas sobre

conjuntos difusos
Las operaciones bsicas en los conjuntos clsicos
son 3
Unin
Ej:
A={a,e,i,o,u}
B={b,c,d}
AUB={a,e,i,o,u,b,c,d}

A
1
1
0
0

B
1
0
1
0

AUB
1
1
1
0

AUB
max(1,1)=1
max(1,0)=1
max(0,1)=1
max(0,0)=0

 Interseccin
Ej
A={1,2,3}
B={2,3,4,5}
A B={2,3}

A
1
1
0
0

B
1
0
1
0

A B
1
0
0
0

A B
min(1,1)=1
min(1,0)=0
min(0,1)=0
min(0,0)=0

Complemento
Ej
X x | x N x 5
A={1,2,3}
Comp(A)={4}

A
1
0

Comp(A)
0
1

 La extensin natural para las operaciones est

dada por
Unin difusa standard

A B ( x) max A( x), B( x)

Interseccin difusa standard

A B ( x) min A( x), B( x)

Complemento difuso standard

Comp A ( x ) 1 A( x )

EJERCICIOS DE OPERACIONES DE CONJUNTOS DIFUSOS

La unin de conjuntos difusos

Si. a, b, c y d tienen los grados respectivos de
membresa del conjunto difuso A.= (0.9,0.4,0.5,0)) y
B = (0.7, 0.6, 0.3, 0.8).
Entonces A U B = (0.9, 0.6,0.5,0.8) la unin es el
mximo (Rao)

15

EJERCICIOS DE OPERACIONES DE CONJUNTOS

DIFUSOS
INTERSECCION Y COMPLEMENTO DE DOS CONJUNTOS
DIFUSOS

Si los conjuntos difusos A y B son. A = (0.9, 0.4, 0.5, 0) y B =

(0.7, 0.6, 0.3, 0.8). La interseccin A B, es obtenida
acogiendo el componente mas pequeo de los valores. As (A
B = (0.7, 0.4, 0.3, 0).
Si A es el complemento de A tenemos que A ' = (0.1, 0.6, 0.5,
1) y B ' = (0.3, 0.4, 0.7, 0.2).
Note que A ' B = (0.3, 0.6, 0.7,1), cul es tambin el
complemento de A B. Usted tambin puede asegurarse el
complemento de A B equivale a A' B '. Adems. A A =
(0.9, 0.6, 0.5,1) y A A = (0.1, 0.4, 0.5, 0).
16

6.8.4 CONTROLADOR DIFUSO

17

6.8.5 LAS APLICACIONES DE LGICA DIFUSA

Muchos usos comerciales de lgica confusa existen hoy.

Algunos ejemplos
El metro de la ciudad de Sendai, Japon usa a un controlador
difuso para monitorear un coche del conducto subterrneo.
Este controlador ha funcionado mejor que los controladores
humanos y convencionales en dar un paseo muy fcil para los
pasajeros en todo terreno y las condiciones externas.
Las cmaras y camras de video usan lgica confusa ajustar
mecanismos del autofoco y cancelar al enestibilidadr causado
por una mano temblorosa
Algunos automviles usan lgica confusa para aplicaciones
diferentes de control.
Nissan tiene patentes en la lgica confusa frenando sistemas .
que la transmisin controla . e inyectores del combustible.
Lavadoras con lgica difusa

18

LAS APLICACIONES DE LGICA DIFUSA

Se encuentran aplicaciones de conjuntos difusos y la
lgica difusa en muchos campos. incluyendo
inteligencia artificial. Diseo, la informtica. Se
investigan las funciones de lgica difusa en la
robtica. y reconocimiento del modelos, las redes
neuronales. As que parece natural que los
conjuntos difusos deba introducirse en las redes
neuronales. los conjuntos difusos pueden encontrar
en que las decisiones estn basadas en informacin
incompleta y la fiabilidad de los valores supuestos
de los parmetros subyacentes no siempre es cierta.

19

6.8.6 LA FUZZIFICACION EN LAS REDES NEURALES

El fuzzificacin puede entrar en las redes neuronales

para definir los pesos de los conjuntos difusos. En una
comparacin entre los sistemas expertos y los sistemas
difusos es importante entender en el contexto de redes
neuronales. Los sistemas expertos estn basados en
las reglas con certeza. Tales reglas con certeza no
siempre pueden estar disponibles. Los sistemas
expertos tienen que considerar un juego exhaustivo de
posibilidades. No pueden conocerse los tales juegos de
antemano. Cuando las reglas con certeza no son
posibles y cuando no es conocido si las posibilidades
son exhaustivas. el acercamiento de los sistemas
expertos no es uno bueno.

20

LA FUZZIFICACION EN LAS REDES NEURALES

Algunas redes neuronales. a travs de los

rasgos de entrenar y aprender. puede
funcionar en la presencia de situaciones
inesperadas. En eso las redes neuronales
tienen una ventaja encima de los sistemas
expertos y ellos pueden manejar informacin
lejana menos informacin que la necesidad
de los sistemas expertos.
21

6.8.7 EJEMPLO DE LOGICA DIFUSA

Construyamos un fuzzificador sencillo basado en una aplicacin
para predecir la direccin de la bolsa de valores. La Reseva
federal de politica fiscal clasifica en una de las categoras difusas:
Muy acomodado . acomodado . apretado , y muy apretado.

1.0

Muy
Acomodado

0.0

1.0

2.0

3.0

4.0

Acomodado

5.0

6.0

7.0

Apretado

8.0

9.0

Inters

10.0

Muy
Apretado

11.0

12.0

13.0

14.0

22

EJEMPLO DE LOGICA DIFUSA

La figura muestra las categoras borrosas para las tasas de
inters diferentes. En cualquier nivel dado de tasa de inters .
usted podra tener una posible categora o varios . Para
averiguar la probabilidad porcentual de la grfica. Tome la
altura de cada curva en una tasa de inters dada y normalizar
esto para un largo de una unidad. A 8 % de categora
apretada es sobre 0,8 unidades en la altura , y el
acomodado es cerca de 0.3 unidades de altura . El total es
acerca de 1.1 Unidades y la probabilidad de que los valores
de que sean apretados es entonces 0.8/1.1 = 0.73 ,
mientras al probabilidad de los valores sean acomodados es
0.27 = 0.3/1.1
23

24

EJEMPLO DE LOGICA DIFUSA

1)FUZZIFICACION DE LAS ENTRADAS

La fuzzificacin o emborronamiento de una entrada es el proceso por el

cual se calcula el grado de pertenencia a uno o varios de los conjuntos
borrosos en que se divide el rango de valores posibles para dicha
entrada. Por ejemplo, si se trata de un sistema de control de velocidad de
giro de un ventilador cuya entrada es la temperatura ambiente, el rango
(dominio) de posibles temperaturas se podra considerar dividido en tres
conjuntos borrosos, que se podran denominar: FRA, que incluira las
temperaturas, por ejemplo, en el rango 5 C 13 C; el conjunto FRESCA,
con valores desde 9C hasta 21C; el conjunto de temperatura
AGRADABLE, con los valores 17C-29C; CLIDA, con valores 25C-37C; y
el conjunto de temperatura TRRIDA, con valores entre 33C y 40C.
FRA={5..13} FRESCA={9..12}
AGRADABLE={17..29}
CALIDA={25..37} TRRIDA={33..40}

25

Ejemplo de lgica difusa

Estos conjuntos pueden considerarse borrosos si se
supone que los valores de temperatura que
contienen no pertenecen en el mismo grado al
conjunto. En este caso, es evidente que una
temperatura de 20C es menos fresca que una de
15C, con lo que la primera pertenecer en menor
grado que la segunda al conjunto de temperaturas
FRESCAS. De hecho, la primera (20C) tambin
puede considerarse como AGRADABLE, ya que
pertenece a este conjunto, aunque en menor medida
que otra, por ejemplo, de 23C, que sera la ms
AGRADABLE, al ser la temperatura ambiente ideal. 26

Ejemplo de lgica difusa

Si utilizamos funciones triangulares en el

ejemplo del controlador del ventilador,
podramos tener unas funciones de
pertenencia para todo el dominio de posibles
valores de entrada como las indicadas en la
figura.

27

(x)
fra

fresca

13

agradable

17

21

25

clida

29

trrida

33

37

40

X(c )

Figura 6.1: Conjuntos borrosos para la temperatura

En el ejemplo de las temperaturas, si x=18 C, los grados de pertenencia
seran:
fra(18)=0.0
fresca(18)=0.5 agradable(18)=0.17
clida(18)=0.0 trrida(18)=0.0

28

2. EVALUACIN DE LAS REGLAS DE CONTROL

Para gobernar el comportamiento del sistema, el diseador debe establecer una
serie de reglas de la forma SI-ENTONCES para indicar la accin a realizar en
funcin del conjunto al que pertenece la entrada al sistema. La forma general de una
regla es:
R: SI (x es A) ENTONCES ( y ser C)
Tambin se pueden utilizar notaciones:
R: A->C
R:(A;C)
En la figura 6.2 se muestran estos conjuntos para la velocidad.
(y)
Parado

0
60

10

lenta

20

media

30

rpida

mxima

40

50

Y(rpm)
29

Ejemplo de lgica difusa

Una vez establecidos los conjuntos, se pueden crear las
reglas de control que determinen el tipo de velocidad en
funcin de la temperatura. Estas reglas podran ser:
Regla 1: SI (Temperatura es FRA) ENTONCES (Velocidad
ser PARADO)
Regla 2: SI (Temperatura es FRESCA) ENTONCES
(Velocidad ser LENTA)
Regla 3: SI (Temperatura es AGRADABLE) ENTONCES
(Velocidad ser MEDIA)
Regla 4: SI (Temperatura es CLIDA) ENTONCES (Velocidad
ser RPIDA)
Regla 5: SI (Temperatura es TRRIDA) ENTONCES
(Velocidad ser MXIMA).
30

Ejemplo de lgica difusa

Estas reglas componen lo que se denomina

base de reglas del sistema. Su evaluacin
consiste en determinar qu regla (o reglas) se
activar ante un determinado valor de
entrada. Para averiguarlo, se parte del grado
de pertenencia de dicho valor a cada uno de
los diferentes conjuntos borrosos del dominio
de entrada.
31

3) DEFUZZIFICACIN DE LAS SALIDAS

La defuzzificacin o desemborranamiento de las salidas
consiste en obtener un valor numrico para cada una de las
salidas del sistema a partir de los conjuntos borrosos a los que
pertenecen. En el ejemplo del ventilador, se puede llegar a la
conclusin, mediante la evaluacin de las reglas, de que la
velocidad debe ser MEDIA, pero esto no es suficiente, ya que
es preciso obtener un valor numrico que indique la velocidad
exacta a la que debe girar el ventilador.
En el caso del ventilador, si la temperatura es de 18C, se
activaron las reglas 2 y 3, correspondientes a velocidades
LENTA y MEDIA con pesos 0.5 y 0.17, respectivamente, por lo
que el nuevo conjunto de valores de salida, unin de los
anteriores.
32

33