Você está na página 1de 13

UNIVERSIDAD

CATÓLICA DE
SANTA MARÍA
PROGRAMA
PROFESIONAL DE
INGENIERÍA MECANICA
CURSO:

PROCESOS INTELIGENTES

TEMA:
PRACTICA DE LABORATORIO n° 3

PRESENTADO POR:

ZAPANA MAMANI EDGAR ALONZO

SEMESTRE:
IX

GRUPO:”1”

AREQUIPA – PERÚ
2018
GUIA DE PRÁCTICA N° 3
SOFTWARE DE LOGICA DIFUSA

I. OBJETIVO GENERAL

➢ Aprender a utilizar la interfaz gráfica de usuario que proporciona el toolbox de lógica


difusa de
Matlab.
➢ Interpretar las reglas de inferencia que intervienen en los sistemas a implementar.
➢ Utilizar operaciones con conjuntos difusos.

II. MATERIALES Y EQUIPOS

Computador.
Sistema Operativo Windows XP
MatLab.

III. MARCO TEORICO

El toolbox de Lógica Difusa permite definir conjuntos de entrada, reglas y gráficas de salida
en una forma gráfica, para luego proceder a la simulación del sistema difuso y su depuración.
En esta práctica se hará un ejemplo de uso de este aplicativo que será utilizado en las
próximas sesiones .

SISTEMA DIFUSO
Su estructura está constituida por tres bloques principales: el de transformación de los
valores numéricos en valores de Lógica difusa; el motor de inferencia que emplea las reglas;
y el bloque de conversión de los valores de la Lógica difusa en valores numéricos.
En un sistema basado en lógica difusa se transforman los datos o valores numéricos de la
entrada al dominio de las reglas intuitivas y lingüísticas de la LD para realizar el tratamiento
de los mismos y después convertir los resultados en valores numéricos para darles la
representación tradicional.

En resumen, puede decirse que un sistema basado en lógica difusa actúa como lo haría una
persona que tuviera que reaccionar ante términos tan imprecisos como “caluroso” o “rápido”
Si al sistema se le incluye una regla que diga “Si la temperatura es calurosa se ha de acelerar
el ventilador”, se estará aplicando el principio de If/Then y el sistema funcionará sin regirse
por conceptos matemáticos precisos.

ETAPAS DE LA LÓGICA DIFUSA

Fusificación (Fuzzification)
La traducción de valores del mundo real al ambiente Fuzzy mediante el uso de funciones de
membresía.

Por ejemplo, si tenemos un paciente con fiebre, podemos plantearnos a partir de qué
temperatura empieza a tener fiebre.
Pero es más realista plantear un modelo en el que la situación de fiebre no se restringe sólo
a dos valores ( hay fiebre o no hay fiebre), sino que tenemos todo un rango de temperaturas
posible.
Por lo tanto, la primera etapa de tratamiento de un problema para la lógica difusa consiste
en modelar cada una de las entradas del sistema con curvas que den los grados o niveles
de pertenencia a los diferentes estados identificados anteriormente ( en nuestro caso, fiebre).

Inferencia Lógica.
Después de realizar la Fusificación de las variables de entrada y de salida, tenemos que
establecer reglas que relacionen las entradas con las salidas.
Para poder operar con los Conjuntos Difusos es necesario definir las operaciones
elementales entre ellos. Esto implica definir el modo de calcular las funciones de pertenencia
a estos tres conjuntos.
Sean FP (X) y FP (Y) las funciones de pertenencia correspondientes a los conjuntos difusos
X y Y. Zadeh propone:

Intersección o AND FP (X AND Y) = mínimo de (FP (X), FP(Y))


Unión u OR FP (X OR Y) = máximo de (FP (X), FP (Y))
Complemento o NOT FP (Complemento X) = 1 – FP (X)

En realidad, estas expresiones son bastante arbitrarias y podrían haberse definido de


muchas otras maneras. Esto obliga a considerar otras definiciones más generales para las
operaciones entre los Conjuntos Difusos. En la actualidad se considera correcto definir el
operador intersección mediante cualquier aplicación t-norma y el operador unión mediante
cualquier aplicación s-norma.

Defusificación (Defuzzification)
Después de computar las reglas fuzzy y evaluar las variables fuzzy, necesitaremos trasladar
estos valores nuevamente hacia el mundo real.
El método más popular de defusificación es el cálculo del centro de gravedad ó centroide, el
cual retorna el centro del área bajo la curva. Al igual que en los pasos anteriores existen más
métodos de cálculo
IV. PROCEDIMIENTO
1. Ingrese a la versión profesional de Matlab.
2. Digite >> fuzzy, lo cual hará que aparezca la figura 1.

V. CUESTIONARIO
1. Basándose en el sistema difuso creado, se pide cambiar las reglas de inferencia
Cambiar and por or para todas las reglas, por ejemplo: If Comida is Mala or Servicio is Malo
then
Propina is Mala.
Cambiar reglas con NOT. Por ejemplo: If Comida is NOT Mala and Servicio is Malo then
Propina
is Mala
¿Sufre el sistema algún cambio en su comportamiento? Porque?

Solución:

Si hay cambio, por las reglas del controlador, las funciones de membresía son las mismas,
pero en la salida los resultados cambia su valor de desfusificacion.
Fig. Cambios en la salida de controlador.

2. Se pueden eliminar algunas reglas ya que pueden ser redundantes? Explique


su respuesta.

No, el número de entradas es la proporción de combinaciones, para que la regla del


controlador pueda procesar las diferencias entre las combinaciones.
Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí.
Así, por ejemplo, una persona que mida dos metros es claramente una persona alta, si
previamente se ha tomado el valor de persona baja y se ha establecido en un metro. Ambos
valores están contextualizados a personas y referidos a una medida métrica lineal.

3. Cuantas entradas y salidas se pueden poner en la interfaz gráfica de lógica


difusa?

No tiene un numero definido, las entradas y las salidas depende del usuario para realizar el
sistema controlador.
4. Explique qué diferencias hay entre un sistema difuso entrenado con reglas
Mamdani y uno entrenado con reglas Sugeno.

SISTEMAS TIPO MAMDANI


En la figura se muestra la configuración básica de un sistema tipo Mamdani

SISTEMA DIFUSO MAMDANI, PROCESAMIENTO GENERAL

En un sistema difuso tipo Mamdani se distinguen las siguientes partes:


Fuzzificador
La entrada de un sistema de lógica difusa tipo Mamdani normalmente es un valor númerico
proveniente, por ejemplo, de un sensor; para que este valor pueda ser procesado por el
sistema difuso se hace necesario convertirlo a un "lenguaje" que el mecanismos de
infererencia pueda procesar. Esta es la función del fuzzificador, que toma los valores
numéricos provenientes del exterior y los convierte en valores "difusos" que pueden ser
procesados por el mecanismo de inferencia. Estos valores difusos son los niveles de
pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha
dividido el universo de discurso de las diferentes variables de entrada al sistema.
.
Mecanismo de inferencia difusa
Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los mismos
deben ser procesados para general una salida difusa. La tarea del sistema de inferencia es
tomar los niveles de pertenencia y apoyado en la base de reglas generar la salida del sistema
difuso.

Base de Reglas Difusas


La base de reglas son la manera que tiene el sistema difuso de guardar el conocimiento
linguístico que le permiten resolver el problema para el cual ha sido diseñado. Estas reglas
son del tipo IF-THEN.
Una regla de la base de reglas o base de conocimiento tiene dos partes, el antecedente y la
conclusión como se observa en la siguiente figura:

En un sistema difuso tipo Mamdani tanto el antecedente como el consecuente de las reglas
están dados por expresiones linguísticas.
Defuzzificador
La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa que
no puede ser interpretada por un elemento externo (por ejemplo un controlador) que solo
manipule información numérica. Para lograr que la salida del sistema difuso pueda ser
interpretada por elementos que solo procesen información numérica, hay que convertir la
salida difusa del mecanismos de inferencia; este proceso lo realiza el fuzzificador.
La salida del mecanismo de inferencia es un conjunto difuso resultante, para generar la
salida numerica a partir de este conjuntos existen varias opciones como el Centro de
Gravedad, los Centros Promediados entre otros.

Centro de Gravedad

Centros Promediados
En el siguiente gráfico se muestra de manera mas detallada como es el funcionamiento de
un sistema difuso Mamdani

Sistema Difuso Mamdani, Procesamiento Detallado


Sistemas Tipo Sugeno

Otra alternativo de procesamiento en los sistemas difusos fue la propuesta por Sugeno en
los sistemas difusos que llevan su nombre.

Sistema Difuso Sugeno, Procesamiento General

En los sistemas difusos Sugeno se distinguen las siguientes partes:


Fuzzificador
Realiza la misma función que en los sistemas Mamdani explicados anteriormente
Mecanismo de inferencia difusa
Realiza la misma función que en los sistemas Mamdani explicados anteriormente

Base de Reglas Difusas


Las reglas de la base de conocimiento de un sistema Sugeno es diferente a las de los
sistemas Mamdani pues el consecuente de estas reglas ya no es una una etiqueta linguística
sino que es una función de la entrada que tenga el sistema en un momento dado, esto se
ilustra a continuación:
En los sistema difusos tipo Sugeno, os valores que arrojan los concecuentes de las
diferentes reglas que se han activado en un momento determinado ya son valores númericos
por lo que no se necesita una étapa de deffuzificación.
Para calcular la salida del sistema difuso se ponderan los diferentes consecuentes teniendo
en cuenta el valor que se activó el antecedente de cada una de las reglas, para un sistema
con dos reglas la salida del sistema difuso sería:

Cálculo de la Salida de un Sistema Difuso Sugeno


En este caso:

Serían las funciones que permiten calcular el consecuente de cada una de las dos reglas
implicadas.

VI. CONCLUSIONES Y RECOMENDACIONES

Para concluir diremos que la utilización de la lógica difusa para el control de sistemas tiene
sus ventajas y desventajas, y por lo tanto hay que conocerlas y analizarlas, entre otras
plantearemos las siguientes:

Con los sistemas basados en la lógica difusa se pueden evaluar mayor cantidad de
variables, entre otras, variables lingüísticas, no numéricas, simulando el conocimiento
humano.

Se relaciona entradas y salidas, sin tener que entender todas las variables, permitiendo que
el sistema pueda ser más confiable y estable que uno con un sistema de control
convencional.

Se puede simplificar la asignación de soluciones previas a problemas sin resolver.


Es posible obtener prototipos rápidamente, ya que no requiere conocer todas las variables
acerca del sistema antes de empezar a trabajar, siendo su desarrollo más económico que el
de sistemas convencionales, porque son más fáciles de designar.

Se simplifica también la adquisición y representación del conocimiento y unas pocas reglas


abarcan gran cantidad de complejidades.

Por todo lo anterior, que por un lado puede ser una ventaja y por otro un posible riesgo, los
sistemas basados en la lógica difusa requieren mayor simulación y una excelente depuración
y prueba antes de pasar a ser operacionales.

Podríamos resumir que la utilización de la lógica difusa es aconsejable para procesos muy
complejos, es decir, cuando se carece de un modelo matemático simple o para procesos
altamente no lineales.

Pero quizá es mejor evitar su uso si el control convencional teóricamente rinde un resultado
satisfactorio, o cuando existe un modelo matemático fácilmente soluble y adecuado o
también cuando el problema no tiene solución.

Un sistema de Lógica Difusa se basa más en la intuición del diseñador que en la precisión y
el rigor matemático. Debido a esto, los controladores con Lógica Difusa pueden ser más
sencillos, económicos y flexibles que los tradicionales.

Finalmente, según explica el mismo Zadeh: “los algoritmos basados en lógica difusa para
operaciones de control, seguirán logrando buena aceptación porque los convencionales, en
general, no permiten enfrentarse con la complejidad y con la naturaleza mal definida de los
sistemas a gran escala. La teoría de control ha de evolucionar hacia una menor
preocupación por los problemas matemáticos y por la precisión y una mayor tendencia hacia
el desarrollo de soluciones aproximadas o de calidad para los problemas del mundo real".
“La principal tarea de la filosofía moderna es enseñar al hombre a vivir sin certeza pero aún
así o ser detenido por la duda” [B. Russell]
VII Bibliografía.

Control Difuso.
http://members.fortunecity.com/daai/papers/fuzzy/fuzzy5.html

Lógica Borrosa y control borroso


http://www.ilustrados.com/publicaciones/EpZEEVZVZVRyHMwXhd.php

Introducción a la lógica Fuzzy


http://ttt.upv.es/~JPGARCIA/trabajos%20metcuants/Logica%20Fuzzy.htm

Tutorial de Lógica Fuzzy


http://electronica.unmsm.edu.pe/fie001/investigacion/Rev5/r5a2tej.htm

Lógica Difusa y Conjuntos Nebulosos


http://www.answermath.com/logica_difusa_conjuntos_nebulosos.htm

Introducción a la Lógica difusa


http://www.puntolog.com/cgi-bin/actual/jump.cgi?ID=56

Introducción a la Lógica Difusa


http://www.inf.udec.cl/~tarredondo/intro%20bio/Introduccion%20a%20la%20Logica%20Difu
sa.pdf

Incorporación de los conjuntos difusos para modelar incertidumbres en los sistemas


eléctricos de potencia
http://146.83.6.6/bdmc/literatura/memoria_jeldres.pdf

Sistemas Difusos
http://ants.dif.um.es/staff/juanbot/ml/files/20022003/fuzzy.pdf

Lógica Fuzzy para el tratamiento de la incerteza en el raciocinio médico


http://ants.dif.um.es/staff/juanbot/ml/files/20022003/fuzzy.pdf