MATLAB Fuzzy Logic Toolbox J.S.

Roger Jang - Ned Gulley

Resumen En este documento intentaremos mostrar una idea general del mundo de la lgica borrosa (fuzzy logic), adentrndonos en un mundo de informacin imprecisa que se tratar como un conjunto difuso. Estos sistemas pueden ser aplicados a similares problemas que las redes neuronales, resultando especialmente interesante para problemas no lineales o bien no definidos. De la misma manera, los sistemas borrosos permiten modelar cualquier proceso no lineal, y aprender de los datos haciendo uso de determinados algoritmos de aprendizaje. No obstante, a diferencia de las redes neuronales, los basados en lgica borrosa permiten utilizar fcilmente el conocimiento de los expertos en un tema, bien directamente, bien como punto de partida para optimizacin automtica, al formalizar el conocimiento a veces ambiguo de un experto de forma realizable. Adems, gracias a la simplicidad de los clculos necesarios, normalmente pueden realizarse en sistemas baratos y rpidos.

1. INTRODUCCIN A LA LGICA DIFUSA El Fuzzy Logic Toolbox es un conjunto de funciones integradas en el MATLAB entorno de computacin numrica. Proporciona herramientas para crear y editar sistemas de inferencia difusos en el marco de MATLAB, o si lo prefiere, pueden integrar sus sistemas difusos en simulaciones con Simulink, o puede incluso construir programas independientes C que llaman a los sistemas difusos que construir con MATLAB. Esta caja de herramientas se basa principalmente en herramientas de la interfaz grfica de usuario (GUI). Este tipo de lgica es la lgica que utiliza expresiones que no son totalmente ciertas ni totalmente falsas, es decir, es una lgica aplicada a conceptos que pueden tomar un valor indeterminado de veracidad dentro de un conjunto de valores cuyos extremos son la verdad absoluta o la falsedad absoluta. Por as decirlo es una lgica que expresa la falta de definicin del objeto al que se aplica. Si queremos dar una definicin mucho ms especfica podemos definir a este tipo de lgica como una tcnica de la inteligencia computacional que ayuda o permite trabajar con informacin que es imprecisa y no est bien definida. Pertenece a la lgica multivariada pero la lgica borrosa se diferencia de sta en que nos permite introducir valores intermedios entre la afirmacin completa o la negacin absoluta.

2. HISTORIA La lgica difusa fue investigada por primera vez alrededor de mediados de los aos sesenta por el ingeniero Lotfy A. Zadeh en la Universidad de Berkeley (California). En un principio este ingeniero no denomin a esta lgica como lgica borrosa sino que la llam principio de incompatibilidad. A continuacin mostraremos como describi l este principio: Conforme la complejidad de un sistema aumenta, nuestra capacidad para ser precisos y construir instrucciones sobre su comportamiento disminuye hasta el umbral ms all del cual, la precisin y el significado son caractersticas excluyentes. En este momento fue cuando introdujo el concepto de conjunto difuso (en ingls Fuzzy Set). Este nuevo concepto no es ms que la idea de que los elementos sobre los que se basa el pensamiento humano no son nmeros sino etiquetas lingsticas. Esta idea es la que permite que se pueda representar el conocimiento, que es principalmente lingstico de tipo cualitativo y no tanto cuantitativo, en un lenguaje matemtico mediante los conjuntos difusos y funciones caractersticas asociadas a ello. Esto no quiere decir que exclusivamente se trabaje con nmeros, este lenguaje nos permite trabajar con datos numricos pero tambin con trminos lingsticos que aunque son ms imprecisos que los nmeros, muchas veces son ms fciles de entender para el razonamiento humano. En dcadas posteriores esta teora cada vez fue teniendo ms xito y se le iban encontrando nuevas aplicaciones. En la dcada de los ochenta, la investigacin se orient hacia las redes neuronales y su similitud con los sistemas fuzzy. Estos sistemas fuzzy lo que hacen es utilizar mtodos de aprendizaje basados en redes neuronales para identificar y optimizar sus parmetros. En cuanto a la dcada de los noventa, a parte de la investigacin de las redes neuronales y los sistemas fuzzy, surgen los algoritmos genticos. Si combinamos estas tres tcnicas computaciones, se puede conseguir una herramienta de trabajo muy potente de los sistemas de control. Segn lo expuesto hasta ahora, se puede ver que la lgica borrosa ha provocado innumerables investigaciones y aplicaciones, la mayora orientadas a sistemas de control pero actualmente se est yendo ms all y se empieza a investigar en reas como el reconocimiento de patrones visuales o la identificacin de segmentos de ADN. Por ltimo, mencionar que muchos de los investigadores que actualmente investigan en los temas de la lgica borrosa, comentan que el futuro de Internet (en cuanto a controlar la red, gestionarla o recuperar informacin), est en aplicar las tecnologas borrosas en estas reas.

3. CONJUNTOS DIFUSOS Para ilustrar el concepto de la lgica difusa y los conjuntos difusos vamos a explicar el primer ejemplo que puso Zadeh. Para ello puso el ejemplo del conjunto de los hombres altos. Segn la teora de lgica clsica al conjunto de hombres altos solo pertenecen los que miden ms de una determinada altura y esa altura lmite es 1.80 metros, as un hombre es considerado alto cuando mide por ejemplo 1.81 metros y uno bajo cuando mide 1.79 metros. Esto no parece una razn muy lgica para catalogar a un hombre de alto o bajo ya que por ejemplo en el caso expuesto la altura de uno a otro solo se diferencia en 2 centmetros. Ah, en casos como este donde no es fcil catalogar algo, se introduce la lgica borrosa. Segn la lgica borrosa, el conjunto de hombres altos es un conjunto que no tiene una frontera clara que indique que perteneces a ese grupo o no. El evaluar si un hombre es alto o bajo, se hace mediante una funcin que define la transicin entre alto a bajo y para ello asigna a las distintas alturas un valor entre 0 y 1. Segn sea este valor se considera que se pertenece al conjunto o no. Aplicando esto al caso anterior, un hombre que mida 1.79 metros se puede decir que pertenece al conjunto de hombres altos con un grado de 0.75 y el hombre que meda 1.81 metros pertenece al conjunto de hombres altos con un grado de 0.8. Si representamos esto en una grfica se obtendr que la transicin entre alto o bajo con la lgica borrosa es una curva con cambios no abruptos mientras que con la lgica clsica, el paso de alto a bajo o viceversa es brusco: Imagen En resumen, segn la lgica clsica un elemento pertenece o no pertenece al conjunto, sin embargo la lgica borrosa lo que hace es poner un grado de pertenencia al conjunto. Este grado de pertenencia se define mediante la funcin caracterstica asociada al conjunto difuso: para cada valor que puede tomar la variable x, la funcin caracterstica HA(x) proporciona el grado de pertenencia de ese valor x al conjunto difuso. Una vez aclarados mnimamente estos conceptos, a continuacin explicaremos las operaciones sobre conjuntos difusos y sus propiedades. 4. OPERACIONES SOBRE CONJUNTOS DIFUSOS Existen seis tipos de operaciones: 1. Inclusin o subconjunto: A es un subconjunto de B: 2. Unin:

La unin de los conjuntos difusos A y B es el conjunto difuso C y se escribe como C= A OR B; su funcin de pertenencia est dada por: 3. Interseccin: La interseccin de los conjuntos difusos A y B es el conjunto difuso C y se escribe como C= A AND B; su funcin de pertenencia est dada por: 4. Negacin o complemento: El complemento del conjunto difuso A, denotado por A o NOT A, se define como: 5. Producto cartesiano: Si A y B son conjuntos difusos en X e Y, el producto cartesiano de los conjuntos A y B en el espacio X x Y tiene la funcin de pertenencia: 6. Co-producto cartesiano: A + B en el espacio X x Y tiene la funcin de pertenencia: Cabe aadir que las operaciones de interseccin, unin y complemento cumplen al igual que en la teora clsica de conjuntos, las propiedades asociativa, conmutativa, distributiva y las leyes de Morgan. Sin embargo, a diferencia de la teora clsica, los conjuntos difusos no cumplen el principio de contradiccin ni el de exclusin.

5. SISTEMAS BASADO EN LOGICA DIFUSA Un sistema basado en lgica borrosa siempre estar compuesto por los siguientes bloques: Imagen2 BLOQUE DIFUSOR: en este bloque a cada dato de entrada se le asigna un grado de pertenencia a cada uno de los conjuntos difusos considerados mediante la funcin caracterstica ya comentada en apartados anteriores. Las entradas a este bloque son valores concretos de la variable a analizar y los datos de salida son los grados de pertenencia a los conjuntos estudiados. BLOQUE DE INFERENCIA: este bloque relaciona conjuntos difusos de entrada y de salida y representa a las reglas que definen el sistema. DESDIFUSOR: en este bloque a partir de los conjuntos difusos procedentes de la inferencia se obtiene un resultado concreto mediante la aplicacin de mtodos matemticos de des difusin.

6. IMPLEMENTACION DE SISTEMAS EN LOGICA DIFUSA En este apartado expondremos las diversas maneras disponibles para realizar en la prctica un sistema basado en lgica borrosa. Como en el caso de redes neuronales, un sistema borroso podr implementarse como programa ejecutable por un microprocesador convencional (o micro controlador), o podr realizarse en hardware especfico. La gran diferencia con las redes neuronales es que un sistema borroso precisa en general de recursos de clculo relativamente reducidos, por lo que muchas veces podr implementarse como programa ejecutado en un sencillo micro controlador de 8 bits. Comenzaremos por considerar entornos de desarrollo de sistemas borrosos, mostrando el por qu son necesarios, as como algunos de los actualmente disponibles, que sern descritos con cierto detenimiento. Despus el lector podr ver los distintos mtodos de realizacin hardware de sistemas borrosos, incluyendo los denominados aceleradores de procesamiento. 7. APLICACIN DE LOS SISTEMAS DIFUSOS En adelante se intentar mostrar algunas de las aplicaciones de los sistemas borrosos, tanto acadmicas como reales, relacionadas con procesamiento de datos y control. Como puede deducir el lector de los visto anteriormente sobre sistemas borrosos, el campo que claramente cuenta con mayor nmero de aplicaciones basadas en lgica borrosa es el control, existiendo numerosas aplicaciones en el funcionamiento de la industria. 8. CONCLUSION FINAL La lgica borrosa tiene una historia corta, pero un rpido crecimiento debido a su capacidad de resolver problemas relacionados con la incertidumbre de la informacin o del conocimiento de los expertos. Adems, proporciona un mtodo formal para la expresin del conocimiento en forma entendible por los humanos. Estas cualidades le aseguran un amplio campo de aplicabilidad y un alto inters para las aplicaciones industriales, presentes y futuras. Concluiremos esta parte de dedicada a la lgica borrosa con un principio enunciado por Terano recientemente Cuanto ms humano deba ser un sistema, ms lgica borrosa contendr A modo de resumen final de nuestro trabajo, querramos expresar la conclusin fundamental: NO EXISTE PANACEA. Para resolver problemas complejos, como los pertenecientes a un entorno industrial o a muchos otros entornos (economa y finanzas, medicina, etc.), con frecuencia la solucin ptima consiste en una inteligente combinacin de diversas

tcnicas, cada una de las cuales debe ser aplicada a aquel aspecto parcial del problema que mejor se adecue. En este sentido, tanto las redes neuronales como los sistemas borrosos se aplicarn especialmente all donde los comportamientos no lineales sean importantes. Cuando no se posea un modelo suficientemente bueno, pero si se disponga de un amplio conjunto de ejemplos (casos experimentales), el empleo de una red neuronal puede resultar til, y podemos dejar que mediante un proceso de entrenamiento ella misma encuentre el modelo o caractersticas ms relevantes. Sin embargo, cuando se disponga de un conjunto de reglas proporcionadas por los expertos en un determinado tema, el empleo de sistemas basados en lgica borrosa puede ser tremendamente til. No obstante, de la combinacin de ambas tcnicas, y de stas con otras ms clsicas (estadsticas, tratamiento de seal, etc.), son esperables resultados todava mejores. 9. REFERENCIAS J.-S. Roger Jang Ned Gulley - MATLAB Fuzzy Logic Toolbox.