APUNTES DE

SISTEMAS
INTELIGENTES.
APLICACIONES DE SISTEMAS
INTELIGENTES.

Captulo 4.
4.1 INTRODUCCIN A LA LGICA DIFUSA.
Es una tcnica de sistemas inteligentes
que le permite a una computadora
analizar informacin del mundo real en
una escala entre lo falso y lo verdadero.
Manipula conceptos vagos como caliente,
frio, hmedo, etc. y sin alternativa a las
nociones de permanencia y lgica que
iniciaron en la Grecia antigua.
Cuando se tienen conocimientos pero se
carecen de datos de cmo debe de
responder un sistema a ciertos estmulos,
la lgica difusa puede controlar o describir
el sistema usando reglas de sentido
comn que se refieren a cantidades
especificas

1.- Hechos: Que son verdades en el

mundo real que queremos representar y
compartir con las computadoras.
2.- Representaciones: son la manera en
que queremos dar a conocer los hechos
en forma de modelos para manipularlos.

Los sistemas difusos presentan reglas

tomadas de expertos, pero si no hay
expertos en el momento en que se inicia
un proyecto, existen sistemas difusos
adaptivos que aprenden de las reglas,
observando cmo la gente manipula
sistemas reales.

EN 1965 Loefi A. Zadeh de UCLA en

Berckeley, publico Fuzz Sets (Conjuntos
difusos), que describen las matemticas
de los conjuntos difusos, en la que
presentan funciones llamadas de
pertenencia, con valores que van desde
0.0 hasta 1.0) en el rango (0.0, 1.0). en
1968. Abrahim H. Mandani, diseo un
controlador difuso para un motor a vapor
en donde 0.0 Falsedad total y 1.0
Verdad absoluta.

Si no me quemo, la maquina no est

caliente.

buena operacin (Maquina) = 0.9

Donde es una funcin de pertenencia

del conjunto de mquinas operando bien.

Los niveles difusos, miden el grado en el

cual algo ocurre o alguna condicin
existe.

En conclusin, la lgica difusa se usa en la

electrnica, el control, la robtica, etc.
Para crear sistemas basados en su
comportamiento a imitacin de los
humanos. La clave es que se basan en la
experiencia y junto con estos
conocimientos se crean las reglas para
desarrollar el sistema.

4.2 MODELO A BLOQUES DE UN

CONTROL DIFUSO.

VALORES DIFUSOS

VALORES NITIDOS
FUSIFICANDO

FUNCIONES DE MEMBRESIA
FUNCIONES DE MEMBRESIA

4.3 REGLAS DIFUSAS.

R1 IF x (frio) then y (elevar t

R2 IF x (tibio) then y (mante

temperatura)

R1 IF x (caliente) then y (baj

 Un conjunto difuso se escribe con una
tilde arriba.

(x1) (x2)
= { + + +
x1 x2
(xi)
} Donde + es
xi

4.4 VALORES NITIDOS.

Se les llama as a los valores de las
variables de entrada y de salida porque
son valores del mundo real como seales
de control de 1-5 VCD o 4 a 20 ma. Oh
seales que vienen de un PLCS, un
controlador o un interruptor, a esto le
llaman fusificar. s es una entrada de
datos de detectores o interruptores y si
son seales de salida le llaman
desfusificar.

f(x)

20

15
10
5
0
1 2
3 4 5 6 x

4.5 VALORES DIFUSOS.

Son aquellos valores entre 0.0 y 0.1, que
el sistema difuso entrega a los valores
ntidos que se encuentren dentro de un
valor de membreca. El ancho de la seal
de membreca depende de un valor que
los hace ms robustos o ms anchos. A
esto le llaman fusificar.

Fusificacin
Desfusificacin:
 Valores ntidos de salida = (x1) *xi
/ xi

Valores Difusos 1.0

0.8

0.6

0.4
0.2
0.0
1 2 3
4 5 6 7 8
--
= 2--- Valores Ntidos de
entrada

El corte se define como un conjunto

ntido o difuso que contiene a los
elementos del conjunto que tengan un
 valor membreca mayor o igual al valor
escalar de la constante alfa.

Ejemplo: =
1 0.75 0.3 0.15 1
{ + + + + }
1 1.5 2 2.5 3

Si alfa tiene un valor escalar 1.5 entonces

= {1.0.75.1}

0.2 0.6 0.4 1 0.8

= + + + +
1 2 3 4 5

Las operaciones bsicas entre los

conjuntos difusos nos llevan a seleccionar
aquellos conjuntos difusos de diferentes
funciones de membreca.

(x) (x) = (X) (x)

UNION
(x) (x) = (X) (x)
INTERSECCIN
(X) = 1 - (X)
COMPLEMENTO

Grafica de valores difusos.



Valores Difusos 1.0

8.0
(X) = 1 - (X)
6.0
4.0
2.0
0.0
1 2 3
4 5 6 7 8

=3 Valores Ntidos
detectados en la entrada

Ejemplo 1.
Encontrar la unin, la interseccin y el
complemento de los conjuntos difusos
 =
0.8 0.7 0.5 0.6
{ + } = { + }
x1 x2 x1 x2

0.8 0.7
(x) = (X) (x) = { + }
x1 x2
unin
0.5 0.6
(x) = (X) (x) = { + }
x1 x2
interseccin
0.2 0.3
(X) = 1 - (X) = { + }
x1 x2
complemento de (X)
0.5 0.0.4
(x) = 1 - (x) ={ + }
x1 x2
complemento de (x)

Ejemplo 2.
Algunos datos difusos se escriben a
1 0.75 0.3
continuacin: = { + + +
1 1.5 2
0.15 1 1 0.6 0.8
+ } = { + + +
2.5 3 1 1.5 2
1 0
+ }
2.5 3
Hacer la unin de los dos conjuntos
borrosos, la interseccin de los dos
conjuntos borrosos, la interseccin de los
dos conjuntos borrosos cuando es
complemento, la interseccin cuando
es complemento,
complemento unin de ,
complemento interseccin de
 Unin de los dos conjuntos borrosos:
1 0.75 0.8 1 1
(x) = { + + + + }
1 1.5 2 2.5 3

La interseccin de los dos conjuntos

1 0.6 0.3 0.15 0
borrosos: (x) = { + + + + }
1 1.5 2 2.5 3

La interseccin de los dos conjuntos

0 0.4 0.2
borrosos cuando es complemento: (x) = { + + +
1 1.5 2
0 1
+ }
2.5 3

La interseccin de los dos conjuntos

0 0.25 0.7
borrosos cuando es complemento: (x) = { + + +
1 1.5 2
0.85 0
+ }
2.5 3

complemento unin de : =
1 0.75 0.7 0.85 1
{ + + + + }
1 1.5 2 2.5 3

complemento interseccin de :
0 0.4 0.2 0 0
= { + + + + }
1 1.5 2 2.5 3

4.6 ANALISIS DE UN CONTROLADOR PID

POR LGICA DIFUSA.

La representacin de los grados de

membreca o pertenencia forman el
conjunto difuso o borroso los cuales estn
en funcin de los datos de los fenmenos
que suceden en el medio ambiente, que
percibe el sistema mediante los sensores
y que posteriormente usa para activar a
los actuadores para desarrollar un trabajo
de control.
El controlador difuso se presenta en el
diagrama a bloques siguiente.

Error =
Controlador
r
Difuso

La r representa el punto de operacin,

punto de consigna o set point y es el valor
en donde un sistema de control se
mantiene estable, V es la variable que el
proceso retroalimenta, si no est
cambiando quiere decir que el
controlador mantiene el proceso bajo
control automtico. Si existiera un cambio
en la variable se presenta un valor
diferente de cero en el error = y
el controlador para tomar accin de
control hace uso de sus algoritmos
llamados P (proporcional), PI
(proporcional + Integral), PD
(proporcional + Derivativo), Tambin se
les conoce como algoritmo de control P +
I + D o control regulatorio PID.

En un proceso industrial el algoritmo que

se usa casi en el 90% de la regulacin de
los procesos es el algoritmo de control P
(proporcional) y se define como u = k
donde =

Controlador P
Matriz de reglas difusas
En forma matricial: n z
p
Funcin de membresa u n z
p

En un proceso industrial el algoritmo P+D

se usa en el 3% de la regulacin y solo
cuando el proceso est cambiando
rpidamente o en un lazo de control
crtico. Su algoritmo de control consiste

de u = k + D

Controlador PD
Matriz de reglas difusas
En forma matricial: n z
p
n n n
p
z n z
p
p n p
p

Los algoritmos PI se usan en el 7% de los

lazos de control regulatorio en los
procesos industriales y su algoritmo de
control consiste de una accin
proporcional y una integral u = k +
i

Controlador PI

Matriz de reglas difusas

En forma matricial: n z
p
n n n
p
z n z
p
p n p
p
Controlador PID.

Algunos controladores se disean para

tener los 3 algoritmos de control lo que se
denomina algoritmo de control
P + I + D.

k + D + I

donde
D es el tiempo derivativo y I representa el tiempo res

Estabilidad:
Mtodo de Ziegler- Nichols determinaron
de una manera emprica el valor de los
tiempos del reset (reajuste) y el derivativo
aunado al valor del proporcional.

Tipo de k I
controlador
P 0.5
PI 0.45 k/1.2
PID 0.6 k/2.0 k/8.0

4.6 INTRODUCCIN A LAS REDES

NEURONALES ARTIFICIALES (RNA).
El cerebro humano contiene una red de
comunicaciones conectada a los rganos
ms importantes del cuerpo humano para
manipular sus funciones y les llaman la
red neuronal. Esta red contiene millones
de clulas neuronales llamadas dendritas
interconectadas entre si y que pueden
realizar millones de operaciones por
segundo.

Representacin de una pequea red de

neuronas como ejemplo de su
funcionamiento.
En el ncleo central se encuentra la SOMA
que es la que convierte los impulsos
elctricos en qumicos (Sinapsis) para que
sean procesados por la clula, esto se
lleva a cabo por cambios en los niveles del
contenido de potasio K y sodio Na. Si k>Na
es un impulso nervioso, si k< Na es un
impulso elctrico. Las DENDRITAS son los
conductores que llevan la seal
convertida por la clula de qumica a
elctrica viaja protegida por la mielina un
separador para que no entre en contacto
con los recubrimientos llamados AXON.

Pero en general, la neurona humana

consta de 4 partes bsicas. Las dendritas,
el cuerpo celular, axn y la sinapsis.

Las redes neuronales artificiales RNAs,

usan como ejemplo problemas resueltos
para construir un sistema que toma
decisiones y realiza clasificaciones.

Para esto los expertos determinan por

datos experimentales tablas bibliogrficas
o bases de datos como entradas y las
salidas, son algoritmos que representan
los premios o pesos por obtener xitos.

Las redes una vez que realizan lo anterior,

se entrenan a la red neuronal artificial
para que las entradas produzcan las
salidas deseadas, por medio del
fortalecimiento de las conexiones.

El entrenamiento se basa en el algoritmo

de retro-propagacin del error, por el
mtodo del gradiente descendente, en
donde los pesos se actualizan mediante
un conjunto ordenado de entradas y
salidas deseadas y lo comparan entre
dicha salida y la salida deseada.
4.7 PERCEPTRN.

El perceptrn es la neurona artificial ms

sencilla y el primero que se experiment
en los principios de la inteligencia artificial
y consiste de un ncleo al que se le
conectan unos detectores o seales de
entrada con un peso y cuya salida o
respuesta es una seal que contiene una
seal de activacin, que le permite saber
si es verdadero o falso el resultado. Si es
verdadero entonces lo enva a la red como
salida, pero si es falso lo devuelve como
un error. En la figura siguiente se observa
un Perceptrn.

P
ERC
EPT
RO
N

yj =
()
 X1
w1j

X2
w2j

X3
w3j

Xn
wnj

RETRO
f(zj) =
funci
n de
activac
in.

()
Xn = seales de entrada de otras salidas o
entradas externas

yj = () = seales de salidas
o hacia otro perceptrn.

Si en la comparacin la suma de las

entradas multiplicadas por los pesos es
que el patrn preestablecido, la salida
De la red es 1, en caso contrario es cero.

Los pesos pueden ser positivos (Exitacin)

o negativos (inhibicin).

En el perceptrn cada entrada se

multiplica por el peso w
correspondiente y se activa los resultados
se suman y se evalan contra un valor de
umbral, si el resultado es > al mismo, el
perceptrn se activa.

El entrenamiento del perceptrn se lleva a

cabo por la regla de aprendizaje Delta:
= (x Y)X donde =
Razn de aprendizaje, Yj = Valor
obtenido X la entrada aplicada.

4.9 CARACTERSTICAS DE UNA RED

NEURONAL ARTIFICIAL

Normalmente las redes neuronales

artificiales son redes multicapas, de varias
entradas y varias salida, las cuales se
caracterizan por:
1.- Ser un conjunto de unidades de
procesamiento de neuronas.
2.- Un estado de activacin por cada
unidad, equivalente a la salida de la
unidad.
3.- Conexiones entre las unidades
definidas por un peso, que determina el
efecto de una seal de entrada en la
unidad.
4.- Una regla de propagacin, que
determina la entrada efectiva de una
unidad a partir de las entradas externas.
5.- Una funcin de activacin que
actualiza el nuevo nivel de activacin
basado en la entrada efectiva y la
activacin anterior.
6.- Una entrada externa que corresponde
a un trmino, determinado como
polarizacin para cada unidad.
7.- Un mtodo para reunir la informacin
que corresponde con la regla de
aprendizaje.
8.- Un ambiente en el que el sistema va a
operar con seales de entrada y error.

4.10 RED NEURONAL DE 2 CAPAS.

Principios para entrenar una red
multicapa usando el algoritmo
de retro-propagacin.

a).- Redes de dos capaz y una salida.

Primer paso del algoritmo.

Para ensear a la red, se requiere
entrenar un conjunto de datos en las
entradas x1 y x2 con objetivos
correspondientes (Salidas deseadas) Z. Se
va logrando iterativamente cambiando los
pasos en cada paso. Cada conexin
depende de un peso Wmn donde m =
salida de neurona m con entrada n en la
siguiente capa.

X1 f1(x)
F4(x)

Y1 = f1 (w(x1)1x1 + w(x2)1x2)
X2 f2(x) f6(x)

F5(x)
F3(x)

Segundo paso del algoritmo.

 La salida de la red se compara con el
valor deseado y la diferencia es el error, el
algoritmo de retroprogacin propaga el
error de regreso a todas las neuronas
cuya salida fue la entrada de la ltima
neurona.

1 4
Primero a la ltima
capa

X1 f1(x)
4 = 46
F4(x)

2
Posteriormente a las capas
interiores
X2 f2(x) f6(x)
5
4 = 144 +
155
3 F5(x)
F3(x)
Tercer paso.
 Cuando los errores son calculados, los
coeficientes afectan la velocidad del
aprendizaje y hay que actualizar los pesos.

1 4
w(x1) = w(x1) +
1 1()/ () *X1

X1 f1(x)
w(x2) = w(x2) + 1 1()/ () *X2

F4(x)

X2 f2(x) f6(x)
5

3 F5(x)
F3(x)
Al inicio del entrenamiento se escoge un
valor grande que va descendiendo
conforme avanza el proceso.
Las acciones finales son pasar los datos de
salida ya corregidos a los dispositivos
finales que ejecutan la accin. finales que
ejecutan la accin
Las acciones finales son pasar los datos de
salida

b).- Redes multicapas de dos entradas y

cuatro salidas.

X1 f1(x)
F7(x)

Y1 = f1 (w(x1)1x1 + (w(x1)2x1 + +
(w(xn)nx1 + w(x2)1x2 +.+ w(xn) nx )
X2 f2(x)
f11(x)

F8(x)
Y2 = dem pero f2
F3(x)
f12(x)
 Y3 = dem pero f3
F4(x)
f13(x)
F9(x)

Y4 = dem pero f4
F5(x)
f14(x)

F10(x)
F6(x)

4.11 FUNCIONES DE ACTIVACIN.

La regla que establece el efecto de la

entrada en la activacin de la unidad k se denomina funcin de
activacin Fk.

Y (t + 1) = fk (y(t), u(t)).

En algunas ocasiones es una funcin no

decreciente con respuesta a la entrada
total de la unidad.

Y(t + 1) = fk ( () () + ())

Para neuronas binarias, es una funcin

escaln si x 0 , Fk(x) = 1; si es x < 0 Fk(x)
=0
Para neuronas con funciones mixtas, se
usa la funcin lineal Fk(x) = x

Para neuronas que presentan variaciones

suaves de valor + y de la seal se usa la
tg. Hiperblica.

Fk(x) = / + + es la ms
usada en entrenamiento de RNAs.

Para neuronas con mapeos ocultos que se

requiere que su derivada sea siempre
positiva se usa la funcin de gauss.

Fkx escaln unitario:

Fkx funcin lneal:
Fkx tg. hiperbolica:
1
1
1 -

-1 -

Fkx = 1 si x es positiva y 0 si es negativa.

Funcin signodal. Fk(x) = 1/ 1 +

1 -
 0.5

1 2 /2
Funcin de gauss fk(x) =
2

Los mapeos se pueden realizar en un solo

nivel de neurona usando la funcin de
activacin de gauss en lugar de la signo.

En seguida realizaremos ejercicios para

perceptrones y posteriormente para
RNAS de 2 y 3 capas.

Ejemplo 1.

X0
w1j
-30

X1
w2j
20
 X2
w3j
20
y11

Funcin de aprendizaje: funcin escaln

unitario y>0; 1 Y<0; 0

Y11 = [-30 + 20 x1 + 20 x2] donde x0 = 1

x1 x2 y11 Y
0 0 -30 0
0 1 -10 0
1 0 -10 0
1 1 10 1

Es una compuerta i.

Ejemplo 2.
 X0
w1j
-10

X1
w2j
20

X2
w3j 20

Funcin de aprendizaje: funcin escaln

unitario y>0; 1 Y<0; 0

Y11 = [-10 + 20 x1 + 20 x2] donde x0 = 1

x1 x2 y11 Y
0 0 -10 0
0 1 10 1
1 0 10 1
1 1 30 1

Resultado una compuerta o

 Ejemplo 3.

X0
w1j
-20

X1
w2j
30

X2
w3j 30

Funcin de aprendizaje: funcin escaln

unitario y>0; 1 Y<0; 0

Y11 = [-20 + 30 x1 + 30 x2] donde x0 = 1

x1 x2 y11 Y
 0 0 -20 0
0 1 10 1
1 0 10 1
1 1 40 1

Resultado una compuerta o

Ejemplo 4.

X0
w1j
10

X1
w2j
-20

X2
w3j - 20
 Funcin de aprendizaje: funcin escaln
unitario y>0; 1 Y<0; 0

Y11 = [10 - 20 x1 - 20 x2] donde x0 = 1

x1 x2 y11 Y
0 0 10 1
0 1 -10 0
1 0 -10 0
1 1 -30 0

Resultado una compuerta o

Ejemplo 5. Red neuronal artificial de 2

capas y una salida.
Y10

X0 -30 -10
10 20 y11 20

X1 -20
Y

20 Y12 20

X2 -10

X1 X2 Y11 Y12 y
0 0 0 1 1
0 1 0 1 1
1 0 0 0 0
1 1 1 1 1
 Ejemplo 6. Red neuronal artificial de 3
capas y una salida.
Y10

X0 -30 -10 y20

10 -20 20 y11 20
30

X1 -10 25 -30 30
y21

-20 15 Y12 20
-20 y

X2 -10 -15 15 y22

-15

Y13

X1 X2 Y11 Y12 Y13 Y21 Y22 y

0 0 0 0 1 0 1 1
0 1 0 0 1 0 1 1
1 0 0 0 0 0 1 1
1 1 1 0 0 1 1 0

4.12 ALGORITMOS GENETICOS (AG).

El algoritmo gentico desarrolla tcnicas
de bsqueda iterativa basndose en los
principios de seleccin natural.
Tradicionalmente han usado cadenas
binarias para sus representaciones, pero
actualmente usan otras representaciones
como son los grafos, expresiones LISP,
listas ordenadas o vectores con
parmetros reales.
Los algoritmos genticos comienzan con
un conjunto de estados generados
aleatoriamente a la que se le denomina
Poblacin, cada estado o individuo se le
representa como una cadena sobre un
alfabeto infinito (cadenas de 0s y 1s) de
una longitud determinada, formando
cromosomas que es la cadena nica de
ADN que se forma por la mitosis
(material hereditario) y meiosis Proceso
de fragmentacin en pequeas divisiones.
A las unidades binarias se les denomina
genes forma las caractersticas de la
herencia y est formado por aminocidos
de una o ms cadenas de ARN (cido
ribonucleico) su valor se le denomina
alelo que contiene los diploides que son
2 juegos de cromosomas o sea dos copias
de cada gen (Que puede mutar a un mejor
o a un peor individuo), a su posicin en el
 cromosoma se le llama genotipo y
contiene la informacin contenida en el
genoma y a su relacin con el medio se le
llama fenotipo (contiene los rasgos
fsicos como los conductuales).
A la relacin genotipo-fenotipo-
adecuacin se le denomina individuo y
este individuo nuevo desarrolla la funcin
de aptitud que se traduce en un
cromosoma ptimo para crear
generaciones mejores que las anteriores.

Por ltimo vamos a tocar el tema de la

herencia que solo se transmite por
inseminacin (intercambio de clulas
sexuales), los cromosomas uno es del
padre y otro de la madre y cmo van a
parar a una clula distinta en el momento
de la fecundacin los gametos se fusionan
y recuperan sus cromosomas y vuelven a
ser una clula normal el nmero de
cromosomas es de 46 entre 2 para cada
padre y madre.
Ejemplo 1

Individuos seleccionados Funcin

Idoneidad Seleccin Cruce Mutacin
 24748552 31%
32752411 327 48552 32748152

32752411 29%
24748552 247 52411 24752411

24415124 26%
32752411 327 52124 32252124

32543213 14%
24415124 244 15411 24415417.

Ejemplo 2. La funcin de cruzamiento

determina la razn de cruce.

P1 = [abcdefgh]
P2 = [12345678]

Vector binario [11001000]

Hijo: [ab34e678]

Ejemplo 3. Individuos en seleccin

Tomemos el punto 3.

Punto individual

Hijo: [abc45678]

Tomamos dos puntos. 3 y 7

Hijo: [ abc456gh]
 MUCHAS GRACIAS POR SU AMABILIDAD Y
ESPERO QUE HAYAN QUEDADO SATISFECHOS.