Escolar Documentos
Profissional Documentos
Cultura Documentos
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
VALORES DIFUSOS
VALORES NITIDOS
FUSIFICANDO
FUNCIONES DE MEMBRESIA
FUNCIONES DE MEMBRESIA
(x1) (x2)
= { + + +
x1 x2
(xi)
} Donde + es
xi
f(x)
20
15
10
5
0
1 2
3 4 5 6 x
Fusificacin
Desfusificacin:
Valores ntidos de salida = (x1) *xi
/ xi
0.8
0.6
0.4
0.2
0.0
1 2 3
4 5 6 7 8
--
= 2--- Valores Ntidos de
entrada
Ejemplo: =
1 0.75 0.3 0.15 1
{ + + + + }
1 1.5 2 2.5 3
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
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
Error =
Controlador
r
Difuso
Controlador P
Matriz de reglas difusas
En forma matricial: n z
p
Funcin de membresa u n z
p
Controlador PD
Matriz de reglas difusas
En forma matricial: n z
p
n n n
p
z n z
p
p n p
p
Controlador PI
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
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.
X1 f1(x)
F4(x)
Y1 = f1 (w(x1)1x1 + w(x2)1x2)
X2 f2(x) f6(x)
F5(x)
F3(x)
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
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)
Y (t + 1) = fk (y(t), u(t)).
Y(t + 1) = fk ( () () + ())
Fk(x) = / + + es la ms
usada en entrenamiento de RNAs.
-1 -
1 2 /2
Funcin de gauss fk(x) =
2
Ejemplo 1.
X0
w1j
-30
X1
w2j
20
X2
w3j
20
y11
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
x1 x2 y11 Y
0 0 -10 0
0 1 10 1
1 0 10 1
1 1 30 1
X0
w1j
-20
X1
w2j
30
X2
w3j 30
x1 x2 y11 Y
0 0 -20 0
0 1 10 1
1 0 10 1
1 1 40 1
Ejemplo 4.
X0
w1j
10
X1
w2j
-20
X2
w3j - 20
Funcin de aprendizaje: funcin escaln
unitario y>0; 1 Y<0; 0
x1 x2 y11 Y
0 0 10 1
0 1 -10 0
1 0 -10 0
1 1 -30 0
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
10 -20 20 y11 20
30
X1 -10 25 -30 30
y21
-20 15 Y12 20
-20 y
Y13
32752411 29%
24748552 247 52411 24752411
24415124 26%
32752411 327 52124 32252124
32543213 14%
24415124 244 15411 24415417.
P1 = [abcdefgh]
P2 = [12345678]
Hijo: [ab34e678]
Tomemos el punto 3.
Punto individual
Hijo: [abc45678]
Hijo: [ abc456gh]
MUCHAS GRACIAS POR SU AMABILIDAD Y
ESPERO QUE HAYAN QUEDADO SATISFECHOS.