Escolar Documentos
Profissional Documentos
Cultura Documentos
1 Introducción
2 Teoría de conjuntos difusos
2.1 Teoría de conjuntos clásica (conjuntos nítidos)
2.2 Conjuntos Difusos
2.2.1 Funciones de pertenencia
2.2.2 Etiquetas lingüísticas
2.3 Operaciones elementales con conjuntos difusos
2.3.1 Complementario
2.3.2 Intersección
2.3.3 Unión
2.4 Razonamiento difuso
2.4.1 Inferencia difusa
2.4.2.Decodificación
1
Introducción (I)
Introducción (I)
2
Introducción (II)
Origen y éxito de los difusos
Artículo publicado por Lofti Zadeh en 1.965 (9000 citas)
En la actualidad es un campo de investigación muy activo
– Revistas internacionales (Fuzzy Sets and Systems, IEEE
Transactions on Fuzzy Systems..)
– Congresos (FUZZ-IEEE, IPMU, EUSFLAT, ESTYLF...)
– Miles de aplicaciones reales:
Control de sistemas: Tráfico, vehículos, compuertas en
plantas hidroeléctricas, centrales térmicas, lavadoras,
metros ascensores...
Predicción y optimización: Predicción de terremotos,
optimización de horarios...
Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de
escritura, reconocimiento de objetos, compensación de
vibraciones en cámaras, sistemas de enfoque automático...
Sistemas de información o conocimiento: Bases de datos,
sistemas expertos...
3
Introducción (II)
Origen y éxito de los difusos
Artículo publicado por Lofti Zadeh en 1.965 (9000 citas)
En la actualidad es un campo de investigación muy activo
– Revistas internacionales (Fuzzy Sets and Systems, IEEE
Transactions on Fuzzy Systems..)
– Congresos (FUZZ-IEEE, IPMU, EUSFLAT, ESTYLF...)
– Miles de aplicaciones reales:
Control de sistemas: Tráfico, vehículos, compuertas en
plantas hidroeléctricas, centrales térmicas, lavadoras,
metros ascensores...
Predicción y optimización: Predicción de terremotos,
optimización de horarios...
Reconocimiento de patrones y Visión por ordenador:
Seguimiento de objetos con cámara, reconocimiento de
escritura, reconocimiento de objetos, compensación de
vibraciones en cámaras, sistemas de enfoque automático...
Sistemas de información o conocimiento: Bases de datos,
sistemas expertos...
3
Introducción (III)
Introducción (III)
4
Teoría de conjuntos difusos (I)
Teoría de conjuntos clásica (conjuntos nítidos)
Formas de definirlos:
– Listado de elementos 0 si x ∉ A
– Funciones de pertenecia µA(x) =
1 si x ∈ A
– Dando una característica común que defina sus elementos
• Dando directamente la definición:
Fruto = Producto del desarrollo del ovario de una flor
después de la fecundación.
• Como un subjconjunto de un conjunto ya definido:
Frutas = Fruto comestible
Formas de definirlos:
– Listado de elementos 0 si x ∉ A
– Funciones de pertenecia µA(x) =
1 si x ∈ A
– Dando una característica común que defina sus elementos
• Dando directamente la definición:
Fruto = Producto del desarrollo del ovario de una flor
después de la fecundación.
• Como un subjconjunto de un conjunto ya definido:
Frutas = Fruto comestible
5
Teoría de conjuntos difusos (II)
Teoría de conjuntos difusos
6
Teoría de conjuntos difusos: notación habitual
Si el universo es discreto: F= ∑µ
U
A ( x) / x
Si el universo es continuo: F=
∫µ
u
A ( x) / x
Si el universo es discreto: F= ∑µ
U
A ( x) / x
Si el universo es continuo: F=
∫µ
u
A ( x) / x
7
Teoría de conjuntos difusos: definiciones útiles (I)
Variable lingüística X: noción o concepto que vamos a
calificar de forma difusa.
altura, la edad, el error..
Universo de discurso U: rango de valores que pueden tomar los
elementos que poseen la propiedad expresada por la variable
lingüística.
X = altura; U = [1.4, 2.3]
Valor lingüístico: diferentes clasificaciones que efectuamos
sobre la variable lingüística
La variable X= Altura se clasificará en bajo, mediano y
alto.
Conjunto difuso: (valor lingüístico, función de pertenencia).
– Conjunto nítido: función de pertenencia en {0,1}
– Conjunto difuso: función de pertenencia en [0,1]
Alfa-corte de un conjunto difuso A:
Aa = {x∈U/ µA(x) ≥α}
Se dice que el alfa corte es estricto si la desigualdad es estricta
8
Teoría de conjuntos difusos: definiciones útiles (II)
Soporte de un conjunto difuso A,:
Soporte(A) = { x ∈U / µA (x) > 0 }
Núcleo de un conjunto difuso A:
Núcleo(A) = { x ∈U / µA (x) = 1 }
Altura de un conjunto difuso A: valor más grande de su función
de pertenencia.
Se dice que un conjunto difuso está normalizado si y solo si:
∃ x ∈U µA(x) = 1
Punto de cruce de un conjunto difuso A: elemento(s) x de U
tales que µA(x) = 0.5
Un conjunto difuso cuyo soporte es un único punto x de U y tal
que la función de pertenencia de x es 1 (es decir, el soporte
coincide con el núcleo y tienen un único punto) se llama un
conjunto difuso unitario (singleton).
9
Teoría de conjuntos difusos: funciones de pertenencia (I)
Algunas de las funciones de pertenencia más utilizadas son:
• Función L
1
Puede definirse simplemente como 1
menos la función GAMMA
a m
• Función L
1
Puede definirse simplemente como 1
menos la función GAMMA
a m
• Función PI o trapezoidal
0 para x ≤ a
x − a 1
para a < x ≤ b
b − a
µ( x ) = 1 para b < x ≤ c
d − x
para c < x ≤ d a b c d
b− c
0 para x > d
11
• Función PI o trapezoidal
0 para x ≤ a
x − a 1
para a < x ≤ b
b − a
µ( x ) = 1 para b < x ≤ c
d − x
para c < x ≤ d a b c d
b− c
0 para x > d
11
Teoría de conjuntos difusos: funciones de pertenencia (III)
• Función Π
µ S ( x ) para x ≤ b
µ Π (x) =
µ Z ( x) para x > b
b-d b b+d
12
• Función Π
µ S ( x ) para x ≤ b
µ Π (x) =
µ Z ( x) para x > b
b-d b b+d
12
Teoría de conjuntos difusos: etiquetas lingüísticas o
modificadores
viejo
Muy viejo
13
viejo
Muy viejo
13
Teoría de conjuntos difusos: modificadores
Algunas operaciones usuales
– Normalización
f(y) = y/Altura
– Concentración 1
– Dilatación
1
– Intensificación contraste 1
– Difuminación
y / 2 para y ≤ 0.5
1
f( y ) =
1− (1− y ) / 2 en otro caso
0
14
– Concentración 1
– Dilatación
1
– Intensificación contraste 1
– Difuminación
y / 2 para y ≤ 0.5
1
f( y ) =
1− (1− y ) / 2 en otro caso
0
14
Teoría de conjuntos difusos: etiquetas lingüísticas
Existe todo un catálogo de adverbios/funciones
15
15
Operaciones elementales con conjuntos difusos
Complementario
Dado un conjunto difuso A, su complemento vendrá definido por
µ A (x) = c (µ A(x))
Siendo c: [0,1] → [0,1]. La función c debería cumplir las siguientes
propiedades
– c1. concordancia caso nítido c(1) = 0 y c(0) = 1
– c2. estrictamente decreciente ∀α,β∈ [0,1] α>β ⇒ c(α) < c(β)
– c3. involución ∀α∈ [0,1] c(c(α)) = α
Las funciones más utilizadas son:
1
• c(α) = 1 - α.
0
0 16
• c(α) = 1 - α.
0
0 16
Operaciones elementales con conjuntos difusos
Intersección
Dados dos conjuntos difusos A y B, su intersección vendrá definida por
17
17
Operaciones con conjuntos difusos
Algunas t-normas usuales:
1
α si β = 1
• t-norma del i inf (α,β ) = β si α = 1
producto drástico 0 en otro caso
0
α si β = 1
• t-norma del i inf (α,β ) = β si α = 1
producto drástico 0 en otro caso
0
µ A ∪B ( x) = u ( µ Α (x ), µ Β ( x))
19
µ A ∪B ( x) = u ( µ Α (x ), µ Β ( x))
19
Operaciones elementales con conjuntos difusos
Si consideramos como complemento la función c(u) = 1-u, las t conormas
correspondientes a las t-normas anteriores son:
1
α si β = 0
• t-norma de la
u sup (α,β) = β si α = 0
suma drástica 1 en otro caso 0
α si β = 0
• t-norma de la
u sup (α,β) = β si α = 0
suma drástica 1 en otro caso 0
A ∩ A = ∅ Principio de contradicción
A ∪ A = X Principio del tercio excluso
21
A ∩ A = ∅ Principio de contradicción
A ∪ A = X Principio del tercio excluso
21
Razonamiento difuso: ejemplo
Temperatura = 30º
Volumen = 500 cc Entrada
REGLAS combustible =
• Si la temperatura es alta y el
volumen es pequeño Conjunto?
entonces la presión es elevada
• Si la temperatura es baja o el
Difuminar
Decodificar
volumen es grande
entonces la presión es baja
• Si la presión es baja
entonces la entrada de
combustible debe ser grande
• Si la presión es elevada
Temperatura entonces la entrada de
Entrada
= alta combustible debe ser pequeña combustible
Volumen = Valor?
= pequeño
22
Temperatura = 30º
Volumen = 500 cc Entrada
REGLAS combustible =
• Si la temperatura es alta y el
volumen es pequeño Conjunto?
entonces la presión es elevada
• Si la temperatura es baja o el
Difuminar
Decodificar
volumen es grande
entonces la presión es baja
• Si la presión es baja
entonces la entrada de
combustible debe ser grande
• Si la presión es elevada
Temperatura entonces la entrada de
Entrada
= alta combustible debe ser pequeña combustible
Volumen = Valor?
= pequeño
22
Razonamiento difuso
23
Razonamiento difuso
23
Razonamiento difuso
24
Razonamiento difuso
24
Razonamiento difuso
25
Razonamiento difuso
25
Razonamiento difuso: implicaciones
El siguiente paso es definir lo que es una implicación, es decir, asignar una
función de pertenencia a una agrupación antecedente consecuente del
tipo p→→q
Esto nos permitirá razonar con afirmaciones tales como:
SI “la velocidad es normal”
ENTONCES “la fuerza de frenado debe ser moderada”
Opciones:
– Teórica: Dar a la implicación el mismo significado que en la lógica
clásica.
p→q ≡ ¬p∨q µp→q(u,v) = max(1-µA(u), µB(v))
p→q ≡ ~(p∧(~q)) µp→q(u,v) = 1 – min[µA(u), 1-µB(v)]
(Ambas funciones dan el mismo resultado)
– Práctica: Dar a la implicación el significado de relación causa-
efecto:
Implicación de Mamdani
p→q ≡ p∧q µp→q(u,v) = min( µA(u), µB(v))
26
26
Inferencia difusa
Si p ENTONCES q
y un valor de entrada difuso p*
Ejemplo:
SI la velocidad es normal,
ENTONCES la fuerza de frenado es moderada
p* = la velocidad es alta
27
Inferencia difusa
Si p ENTONCES q
y un valor de entrada difuso p*
Ejemplo:
SI la velocidad es normal,
ENTONCES la fuerza de frenado es moderada
p* = la velocidad es alta
27
Inferencia difusa
28
Inferencia difusa
28
Inferencia difusa
29
Inferencia difusa
29
Inferencia difusa
Caso 1: Inferencia difusa con antecedentes difusos
1-z
0
70 80 90 100 4000 4500 5000
velocidad f_frenado
normal alta moderada
µB*(v) = 1-min(z, 1-µB(v)) v 1
30
Inferencia difusa
Caso 1: Inferencia difusa con antecedentes difusos
1-z
0
70 80 90 100 4000 4500 5000
velocidad f_frenado
normal alta moderada
µB*(v) = 1-min(z, 1-µB(v)) v 1
30
Inferencia difusa
31
Inferencia difusa
31
Decodificación
m oderada
32
Decodificación
m oderada
32
Decodificación
• El centroide difuso (o centro de gravedad, COG en
FuzzyCLIPS), definido como:
∑ x µ ( x)
x∈ X
A
ycentroide =
Ejemplo: ∑ µ ( x)
x∈ X
A
moderada
4000 * 0 + 4250 * 1 + 4750 * 1 + 5000 * 0
= 4500
1+1
Decodificación
• El centroide difuso (o centro de gravedad, COG en
FuzzyCLIPS), definido como:
∑ x µ ( x)
x∈ X
A
ycentroide =
Ejemplo: ∑ µ ( x)
x∈ X
A
moderada
4000 * 0 + 4250 * 1 + 4750 * 1 + 5000 * 0
= 4500
1+1
34
En resumen
34