Universidad Politcnica de Aguascalientes

Control inteligente

Reglas y normas fuzzy

Ifthen

Ing. Mecatrnica 8 B

Roberto Acua Orozco UP100266 Cristobal Genevier Alonso Robledo UP100277 Gonzlez Durn Armando Hiram UP100279 Nieto Sibaja Armando UP100274

17 de Septiembre del ao 2013 Aguascalientes, Aguascalientes, Mxico

OBJETIVO Investigar y comprender las diferentes normas de la lgica difusa fuzzy adems de ejemplificarlas y relacionarlas con el rea de ingeniera mecatrnica. INTRODUCCIN La lgica difusa, lgica borrosa (fuzzy logic) ha hecho que los ordenadores u otros sistemas artificiales de procesamiento de la informacin hablen y razonen en un intento de aproximacin al lenguaje humano. Una de las caractersticas esenciales de la lgica borrosa es que permite utilizar el lenguaje ordinario como lenguaje de descripcin en un ordenador, incorporado as el conocimiento de un experto en una tarea determinada. Introduce la imprecisin y la subjetividad propia de la actividad humana en un procedimiento automatizado. Permite transformar en algoritmos de ordenador el conocimiento de un experto humano en la realizacin de una tarea, expresado en trminos lingsticos, lo que lo hace una de las tcnicas de inteligencia artificial ms utilizadas en aplicaciones prcticas dentro del mbito industrial y empresarial, por lo que es necesario que se guie por ciertas normas o reglas para vencer numerosas resistencias. REGLAS FUZZY La lgica borrosa parte de la reconstruccin del mismo pilar bsico de las matemticas: El concepto de conjunto y funcin de pertenencia la cual nos dice si un elemento determinado pertenece a un conjunto (en ese caso valdr 1) o si no pertenece, en cuyo caso valdr 0. () = 1 () = 0 La funcin de pertenencia puede definirse de forma numrica, mediante un vector (para universos discretos y finitos) o de forma funcional, en cuyo caso tiene generalmente forma de campana, triangular, trapezoidal, etc. Las funciones unin, intercesin y complemento estndar definidas deben cumplir una serie de propiedades: Tanto la unin como la intercesin borrosa requieren funciones no decrecientes, de forma que al aumentar uno de los conjuntos tambin aumente su unin e intercesin. Debe ser conmutativas y distributivas. Deben ser continuas para asegurar que pequeos cambios en los conjuntos den lugar a cambios tambin pequeos en la unin o interseccin.

Se basa en reglas heursticas de forma SI (antescedente) ENTONCES (CONSECUENTE), donde el antecedente y el consecuente son tambin conjuntos difusos, ya sea puros o resultado de operar con ellos. Sirvan como ejemplos de regla heurstica para la lgica (notese la importancia de las palabras muchsimo, drsticamente, un poco, y levemente, para la lgica difusa. Si hace muchsimo frio ENTONCES aumento drsticamente la temperatura Si voy a llegar un poco tarde ENTONCES aumento levemente la velocidad.

Los mtodos de inferencia para esta base de reglas deben ser simples y eficaces. Los resultados de dichos mtodos son un rea final, fruto de un conjunto de reas solapadas entres si (Cada rea es resultado de una regla de inferencia). Para escoger una salida concreta a partir de tanta premisa difusa, el mtodo ms usado es el del centroide, en el que la salida final ser el centro de gravedad del rea total resultante.

Pasos. Seleccionar variables relevantes de input y output Elegir un tipo especfico de sistema de inferencia Determinar el nmero de trminos lingsticos (basados en variables) Disear una coleccin de reglas if-then difusas

Despus de estos pasos iniciales tpicamente se desea mejorar el modelo: Elegir funciones de perteneca correctamente parametrizadas Mejorar las reglas y los parmetros de las funciones de pertenencia Refinar los parmetros de las funciones de pertenencia usando mtodos de optimizacin.

Consider three general fuzzy set A, B, and C, defined in a common universe X, let denote the null set (a set whit no elements, and hence having a membership funcin of zer value). With this natation, some important properties of fuzzy set are summarized in table. Property name Commutativity Associativity Distributivity Absorption Idempotency (dem=same; potent=power) (similar to unity or identity operation) Exclusin: Law of excluded middle Law of contradiction DeMorgans Laws Boundary conditions Relation AB=BA AB=BA (AB) C=A(BC) (AB) C=A (BC) A (BC)= (AB) (AC) A (BC)= (AB) (AC) A(AB)=A A(AB)=A AA=A AA=A AA AAX (AB)=AB (AB)=AB AX=X AX=A A=A A=

EJEMPLOS DE FUZZY LGIC Y LA IMPLEMENTACIN DE SUS REGLAS Ejemplo 1: Para un universo discreto y finito por ejemplo U = {meses del ao}, se pueden definir, los conjuntos borrosos F (frio) y C (calor) que se muestran en la tabla: F = (1 | enero) + (1 | febrero) + (0.8 | marzo) + (0.7 | abril) + (0.5 | mayo) C = (0 | enero) + (0 | febrero) + (0.4 | marzo) + (0.6 | abril) + (0.6 | mayo) As que en mayo empezamos sentir algo de calor, en un grado de 0.6, y fro en grado de 0.5. La funcin de perteneca representa el grado de asociacin de un valor concreto en ese trmino lingstico.

Ejemplo 2: Considerando un universo que representa la velocidad de manejo en una autopista en km/hr suponemos que la lgica difusa de estado rpido es dada por la funcin de membresa discreta. F = 0.6/80 + 0.8/80 + 1/100 + 1/110 + 1/120 y el estado fuzzy mediano es dado por M = 0.6/50 + 0.8/60 + 1/70 + 1/80 + 0.8/90 + 0.4/100, entonces la combinacin de la condicin fuzzy rpido y mediano es dado por la membresa de la funcin F v M = 0.6/50 + 0.8/60 + 1/70 + 1/80 + 0.8/90 + 0.4/10 + 1/110 + 1/120. METODOLOGA Y REFERENCIAS -Conocer el tema a investigar propuesto por el profesor, el cual fue Reglas Fuzzy. -Buscar en fuentes confiables como libros de inteligencia artificial y control inteligente e internet. -Despus de una investigacin se seleccion la informacin ms adecuada para cumplir el objetivo de aprendizaje. -Hacer un reporte de lo que ya investigamos y se tiene conocimiento y referenciado. -Cada uno de los integrantes puso la conclusin acerca de la investigacin y algunos ejemplos de donde pueden usar las reglas. A first course in fuzzy logic. Hung T. Nguyen, Elbert A. walker. 3a edition. Chapman & Hall/CRC. Pp. 235. Chapter 8. Inteligencia artificial e ingeniera del conocimiento. Gonzalo Pajares Martinsanz. 1a edicin. Alfaomega Ra-Ma. Pp. 75. Captulo 3.8. Soft computing and intelligent systems design. Fakhreddine O. Karray. 1a edition. Addison Westley. Pp. 74. Chapter 2.

CONCLUSIONES Roberto Acua: Las reglas de la lgica difusa nos permiten crear un sistema adecuado implementndola de manera eficiente al problema que se presenta, de manera que mediante esta serie de pasos y reglas se puede realizar un anlisis correcto para lograr una resolucin correcta del sistema. Adems de que las reglas de la lgica difusa son la base para comprender este tipo de lgica, ya que por medio de ellas se puede lograr una mejor comprensin de lo que viene despus como lo son los sets difusos y funciones de membresa. Cristobal Genevier: Con el trabajo realizado acerca de la investigacin de las reglas de lgica borrosa o Fuzzy se pudo obtener el conocimiento acerca de las regalas que se debe de seguir al momento de plantear un problema en la lgica difusa lo cual se debe aumentar los conjuntos como aumentes sus intercesiones, deben ser conmutativas y distributivas entre otras opciones de reglas para poder hacer uniones e intercesiones. Hiram Gonzlez: Con esta investigacin pude comprender mejor lo que era la lgica difusa o fuzzy y que esta lgica debido a su interaccin con diversos elementos es necesario que se sigan una seria de reglas y normas que permitirn crear una especie de protocolo para una comunicacin efectiva y entendible evitando redundancias y confusiones dentro de

los algoritmos y series relacionadas, finalmente pudimos resolver y entender los ejemplos que se describieron empleando las reglas fuzzy. Armando Nieto: Se realiz la investigacin de las reglas de la lgica difusa (fuzzy logic) con esto se busca que los sistemas puedan razonar en base a la imprecisin y la subjetividad propia de quien lo programa, no tuvimos problema al desarrollar el tema y con esto puede desarrollar una nueva competencia la cual consiste en el conocimiento de la lgica difusa y sus reglas.