1

Introduccin a la Lgica Borrosa

Introduccin a la Lgica
Borrosa;
Universidad de Verano de Teruel
Alfredo Sanz Molina
CPS Universidad de Zaragoza
Maria de luna 3
50015 Zaragoza
ASMolina@posta.unizar.es
Introduccin a la Lgica Borrosa
Visin general
n Origen y evolucin
n Conjuntos borrosos y Lgica borrosa
n Bases del Control con lgica borrosa
n Control avanzado con lgica borrosa
n Herramientas de desarrollo
n Aplicaciones
n Realizacin hardware
2
Introduccin a la Lgica Borrosa
Origen y evolucin
n Problema bsico:
Las cosas no son o blancas o negras
Pocos problemas estn bien definidos
Las cosas cambian con el tiempo
n 1965 Zadeh; Conjuntos Borrosos
n 1973 Zadeh; Controladores Borrosos
n 1974 Mamdani; Control de Cementeras
n 1987 Hitachi; Frenado Metro Senday
n 1989 Creacin de LIFE
Introduccin a la Lgica Borrosa
Situacin Academica actual
n Boom de la Lgica Borrosa
Gran nmero de publicaciones especializadas
Fuzzy Set and Systems
IEEE Transactions on Fuzzy Logic
Libros
Articulos y Numeros especiales en revistas
Byte, EDN, Computer Design, IEEE Micro
Congresos Internacionales
Lizuka,Orlando, San francisco, Aachen
Asociaciones internacionales
en Espaa; Asociacin Espaola de Lgica Borrosa
3
Introduccin a la Lgica Borrosa
Situacin Industrial actual
n Amplia utilizacin
NASA: Control de posicin del Transbordador Espacial
Ford: Aparcamiento automtico de camiones
Hitachi: Control de acondicionador de aire
Siemmes: frenos ABS, lavadoras, controladores de temperatura
Onrom; autmatas programables
n Aumento del nmero de patentes
Cambio de marcha automtico
Control de frenado ABS
Autoenfoque en cmaras fotogrficas
n Productos comerciales
Controladores industriales Siemmens, Onrom
Acondicionadores de aire NeuroFuzzy
Introduccin a la Lgica Borrosa
Conjuntos borrosos
Bajo
Medio
Alto
X
X

A
x ( )
4
Introduccin a la Lgica Borrosa
Borrosidad y Probabilidad
n Borrosidad
Indica el grado de
pertenencia
Lo fija el observador
Est medio llena o medio
vaca
n Probabilidad
Indica la frecuencia con
que ocurre
Se mide o se supone
Puede estar medio llena
o medio vaca
Introduccin a la Lgica Borrosa
Funciones de inclusin
n Define el grado de pertenencia de u a F
n Puede ser
conjunto discreto de puntos si U discreta
funcin continua si U continua
n Tipos ms frecuentes
S

T
5
Introduccin a la Lgica Borrosa
Trminos habituales
0
1
0.5
25 45
60
0
Conjunto
soportado F
Conjunto F
Puntos de
cruce de F
Introduccin a la Lgica Borrosa
Tipo S
n Definida por:
funcin cuadrtica
funcin exponencial
0.5
1.0
0
a b c

u
S u k c
exp k u b
( ; , )
( ( ))

+
1
1
S u a b c
u a
u a
c a
a u b
u a
c a
b u c
u c
( ; , , )
<

|
.

`
,

|
.

`
,

>

'

0
2
1 2
1
2
2
6
Introduccin a la Lgica Borrosa
Tipo
n Definida por:
0.5
1.0
0
c

u
b
c-b c-b/2 c+b/2 c+b
( ; , )
( ; , / , )
( ; , / , )
u b c
S u c b c b c u c
S u c b c b c u c

'

2
1 2
Introduccin a la Lgica Borrosa
Tipo T
n Definida por:
0.5
1.0
0

u
a c b
T u a b c
u a
u a
b a
a u b
c a
c b
b u c
u c
( ; , , )
<

>

'

0
0
7
Introduccin a la Lgica Borrosa
Conjuntos borrosos
n Conjuntos Clsicos
Nombre del conjunto
Adulto
Funcin de pertenencia
Incluido o no incluido
n Conjuntos Borrosos
Nombre del conjunto
Adulto
Funcin de pertenencia

Adulto
(x) [0, 1]
0
1
0 20 40 60
0
1
0 20 40 60
Introduccin a la Lgica Borrosa
Particiones Borrosas
n Propiedades
Solapamiento (20-50%)
Completitud (100%)
Complejidad
3 a 7 conjuntos
Interesa nmero impar 3, 5, 7
Puntos singulares
8
Introduccin a la Lgica Borrosa
Medidas Borrosas
n Borrosidad
Distancia de A al conjunto discreto C
Hamming f(A) = |
A
(x)-
C
(x) |
Euclidea f(A) = ((
A
(x)-
C
(x) )
2
)
1/2
Minkowski f(A) = ((
A
(x)-
C
(x) )
w
)
1/w
w [1, ]
n Entropia Borrosa
f(A) = - {
A
(x)log
A
(x) +[1-
A
(x)]log [1-
A
(x)]}
n Similaridad
n Agrupamiento Borroso
Introduccin a la Lgica Borrosa
Operadores borrosos
Igualdad
A(x)= B(x) x U
Unin
AB
(x)= max[B
(x) ,B
(x)] Para todos los x U
Interseccin
A
B
(x)= min[B
(x) ,B
(x)] Para todos los x U
Complemento
A
(x)= 1B
(x) x U
Norma
NORM(A)
(x)= A
(x)/max[A
(x)] x U
Concentracin
CONA)
(x)= (A
(x))
2
x U
Dilatacin
CONA)
(x)= (A
(x))
0.5
x U
9
Introduccin a la Lgica Borrosa
Inferencia en Lgica Borrosa
n El conocimiento se expresa por reglas
n Reglas IF-THEN (relaciones Borrosas)
n Base de reglas es un conjunto de reglas
n Dos tipos de mtodos de inferencia
Modus Ponens Generalizado
Modus Tollens Generalizado
Introduccin a la Lgica Borrosa
Modus Ponens Generalizado
n Modo de inferencia
(Conocimiento): Si x es A entonces y es B
(Hecho): x es A
(Conclusin): y es B
B= A o R
n Si A= A y B= B equivalente Modus
Ponens
n Utilizado en control borroso
10
Introduccin a la Lgica Borrosa
Criterios para GMP
n Modo de inferencia
(Conocimiento): Si x es A entonces y es B
(Hecho): x es A
(Conclusin): y es B
B= A o R x es A' y es B'
Criterio 1 x es A y es B
Criterio 2-1 x es muy A y es muy B
Criterio 2-2 x es muy A y es B
Criterio 3-1 x es ms o menos A y es ms o menos B
Criterio 3-2 x es ms o menos A y es B
Criterio 4-1 x no es A y es desconocido B
Criterio 4-2 x no es A y no es B
Introduccin a la Lgica Borrosa
Modus Tollen Generalizado
n Modo de inferencia
(Conocimiento): Si x es A entonces y es B
(Hecho): y es B
(Conclusin): x es A
A= R o B
n Si A= no A y B= no B equivalente
Modus Tollens
n Utilizado en sistemas expertos y
diagnostico mdico
11
Introduccin a la Lgica Borrosa
Criterios para GMT
n Modo de inferencia
(Conocimiento): Si x es A entonces y es B
(Hecho): y es B
(Conclusin): x es A
A= R o B y es B' x es A'
Criterio 5 y no es B x no es A
Criterio 6 y no es muy B x no es muy A
Criterio 7 y no es ms o menos B x no es ms o menos A
Criterio 8-1 y es B x es desconocido
Criterio 8-2 y es B x es A
Introduccin a la Lgica Borrosa
Base de datos Borrosa
n Es un conjunto de reglas
n El formato ms usado es
IF x is A THEN y is B (MISO)
IF x is A THEN y
1
is B
1
ALSO y
2
is B
2
(MIMO)
n Razones para usarlas
Permite expresar el conocimiento de los expertos
Fcil de disear y programar
Reduce el coste de diseo
Mtodos de inferencia eficientes
12
Introduccin a la Lgica Borrosa
Controladores Borrosos
fuzzyfication
interface
defuzzyfication
interface
rule base
decision-making unit
X Y
Introduccin a la Lgica Borrosa
Ejemplo Control Directo
n Predictor Bursatil
Entradas
Inters; Tipos de inters (Interbancario 3 meses)
Inflacin; Tasa Inflacin (Tasa Interanual)
Paro; Tasa de paro (EPA)
Salidas
Bolsa; Indices burstiles (IBEX35)
n Reglas
Mandani
if is A
1
and is A
2
then V is B
n Desborrosificacin
Centro masas con funciones singleton
Predictor Bursatil
con
Lgica Borrosa
Inters
Inflacin
Paro
Bolsa
13
Introduccin a la Lgica Borrosa
Particiones de entrada y salida
n Inters, Inflacin, Paro
MA; Muy Alto
A; Alto
M; Medio
B; Bajo
MB; Muy Bajo
n Bolsa (IBEX35)
MA; Muy Alto =2000
A; Alto =1000
B; Bajo =800
MB; Muy Bajo =600
M B A MA MB
3 4 5 6 7
M B A MA MB
1 3 5 7 9
B A MA MB
600 800 1000 2000
M B A MA MB
6 10 14 18 22
Inters
Inflacin
Paro
IBEX35
Introduccin a la Lgica Borrosa
Reglas del predictor
n Reglas de tipo Mandani
R1; IF (Inters es A) THEN Bolsa es B
R2; IF (Inters es MA) THEN Bolsa es MB
R3; IF (Inflacin es MA) THEN Bolsa es B
R4; IF (Inflacin es MB) THEN Bolsa es A
R5; IF (Paro es MA) THEN Bolsa es B
R6; IF (Paro es MA y Inflacin es MB) THEN Bolsa es MA
R7; IF (Paro es M y Inters es MB) THEN Bolsa es B
14
Introduccin a la Lgica Borrosa
Ejemplo de calculo
n Valores de las entradas
Inters; 4.51%
Inflacin; 1.9%
Paro; 19,6%
n Tcnicas de razonamiento
MAX-MIN
n Desborrosificacin
Centro de masas COA W
M
A
i i
i
n
i i
i
n

1
1
Introduccin a la Lgica Borrosa
Controladores Borrosos
n Tcnicas de razonamiento
MAX-MIN
MAXDOT
n Desborrosificacin
Media de mximos MOM
Centro de masas COA
W
H W
H
i i i
i
n
i i
i
n

1
1
W
M
A
i i
i
n
i i
i
n

1
1
15
Introduccin a la Lgica Borrosa
MAX-MIN
n La funcin de salida es

C
(w) = (
1

C1
(w)) (
2

C2
(w))

u
A1
A2
X0 Y0

u
B1 B1

v
B2 B1

v
C1

w
C2 C2

w
min
C

w
C1
A2
A1
Introduccin a la Lgica Borrosa
MAX-DOT
n La funcin de salida es

C
(w) = (
1

C1
(w)) (
2

C2
(w))

u
A1
A2
X0 Y0

u
B1 B1

v
B2 B1

v
C1

w
C2 C2

w
min
C

w
C1
A2
A1
16
Introduccin a la Lgica Borrosa
Ejemplo Pendulo inverso
n Pendulo Inverso
Entradas
Angulo 10
Velocidad 5
Salidas
Fuerza F
n Reglas
Mandani
R1: if is Z and is Z then F is Z
R2: if is PP and is NP then F is PP
100 -100
Z NP PP PG NG
FLC
dx/dt

F
Introduccin a la Lgica Borrosa
Ejemplo: Clculo de premisa
Z NP PP PG NG
Z NP PP PG NG
Z NP PP PG NG
Z NP PP PG NG
5
10
0.8
0.6
0.6
0.2
10.6
20.2
R1: if is Z and is Z then V is Z
R2: if is PP and is NP then V is PP
R1
R2
17
Introduccin a la Lgica Borrosa
Ejemplo: Clculo de la salida

C
(w) = (
1

C1
(w)) (
2

C2
(w))
Z NP PP PG NG
Z NP PP PG NG
10.6
20.2
Z NP PP PG NG

C1

C2

C
W
H W
H
i i i
i
n
i i
i
n

1
1
w
1
w
2
Introduccin a la Lgica Borrosa
Controladores Borrosos
n Tipos:
Directos
Auto-organizados
Con auto-aprendizaje
Basados en modelos Borrosos (Control predictivo)
Hbridos
18
Introduccin a la Lgica Borrosa
Controladores Directos
n Tipos
Controlador proporcional: u = f(e)
Controlador integral: u = f(s)
Proporcional-derivativo: u = f(e,e)
Proporcional-integral: u = f(e,s)
Realimentacin no-lineal: u = f(x)
Mecanismo
de inferencia
Borrosifi-
cacin
PROCESO
Protocolo
r
u x
Reduccin
a escalar
Introduccin a la Lgica Borrosa
Controladores Auto-organizados
n Estructura
Evaluador de
caractersticas
Controlador
Borroso
PROCESO
Protocolo
r
u x
Protocolo
Mecanismo
de inferencia
19
Introduccin a la Lgica Borrosa
Controladores Auto-aprendizaje
n Reglas
Regla i: Si x
1
es A
1
y ...x
n
entonces y es w
i
.
A
i
triangular, definido por centro, c
i
, y su ancho, a
i
.
Consecuentes, w
i
, son escalares.
Aprendizaje por propagacin hacia atrs.
n Estructura
Regla 1
Regla 2
Regla 3
Regla n
Actuacin 2
Actuacin m
Actuacin 1
x1
x2
x3
xn
Introduccin a la Lgica Borrosa
Basados en modelos borrosos
n Se elabora un modelo borroso del
sistema a controlar
n Se realiza el control predictivo por
dinmica inversa
n Aplicaciones:
Control de elevadores
Prediccin de demanda elctrica
20
Introduccin a la Lgica Borrosa
Controladores Hbridos
n Formados por dos controladores
Un control tradicional PID
Un controlador Borroso
n El control Borroso
Ajusta los parmetros del PID
Acta en paralelo
n objetivo mejora de
Sobreoscilaciones
Tiempo de establecimiento
Introduccin a la Lgica Borrosa
Tcnicas de Aprendizaje
n Back-propagation
n Gentic Algorithm
n Ortogonal Least Squares
n Table-Lookup Scheme
n Nearest Neighborhood Clustering
21
Introduccin a la Lgica Borrosa
Algoritmos Genticos
Inicializacin
Operadores Geneticos
Crossover Mutaciones
Ajuste y evaluacin
Evaluador de
caractersticas
Controlador
Borroso
PROCESO
Protocolo
r
u x
Protocolo
Mecanismo
de inferencia
Seleccin
Introduccin a la Lgica Borrosa
Opciones de optimizacin
n Optimizacin de coeficientes
Particin de las variables de salida
Particin de las variables de entrada
Ganancias de entrada y salida
n Optimizacin de reglas
n Estructura de las reglas
n Optimizacin completa
Codificacin de Messy
22
Introduccin a la Lgica Borrosa
Codificacin de coeficientes
n Que se codifica
Posicin de los centros
anchura
tipo de funcin de inclusin
ganacias
n Como
Binaria de 8 o 16 bits
Proporcional a los 1s
n En qu orden
Variable o fijo
-10
Z NP PP PG NG
-5 0 6 10
1110110
X
1
X
2
Codificacin binaria 8 bits de anchura fija
-10 -5 0 6 10
0000110
Introduccin a la Lgica Borrosa
n Clausula=(variable,trmino)
n Ejemplo
X1=(negativo, zero, positivo) X1= zero
X2=(pequeo, medio, grande) X2= grande
Y=(izquierda, centro, derecha) Y= izquierda
Codificain Messy de clausulas
1 1 2 3
2 1 2 3
2 1 2 3
( 1 , 2 )
( 2 , 3 )
( 3 , 1 )
23
Introduccin a la Lgica Borrosa
Codificain Messy de reglas
n regla
i
={clausula
x1
, clausula
x2
, clausula
y
}
n Base de reglas={regla
1
, regla
2
,... regla
n
}
1 2 2 1 3 3 if x1=zero and x2=pequeo then y=derecha
2 1 3 3 1 2 if x1=zero and x2=pequeo then y=derecha
1 2 3 3 if x1=zero then y=derecha
Introduccin a la Lgica Borrosa
Operadores Genticos
n Cruzamiento (Crossover)
Punto de cruzamiento aleatorio con Probabilidad
no uniforme
Varios cruzamineto en cada generacin
n Cortar y empalmar (Cut and splice)
Permite la generalizacin de las reglas
n Mutaciones
Coeficiente herstico o con otro GA
24
Introduccin a la Lgica Borrosa
Cruzamiento
n Utilidad
Permite intercambiar genes entre los padres
n Mtodo
se selecciona un punto de cruce
intercambio cruzado
Padre1 Padre2
Hijo1 Hijo2
Punto de cruze
Introduccin a la Lgica Borrosa
Cortar y empalmar
n Utilidad
Permite realizar generalizaciones
n Mtodo
se selecciona dos puntos de mutacin
se eliminan los genes entre estos puntos
Punto de mutacin
gen
gen nuevo
6
0000110
7
0000111
25
Introduccin a la Lgica Borrosa
Mutaciones
n Utilidad
Permite buscar nuevas soluciones
n Mtodo
se selecciona un punto de mutacin
se cambia el valor de la cadena de genes
1 2 2 1 3 3 2 1 3 3 1 2 1 2 3 3
1 2 2 1 3 3 2 1 3 3 1 2 3 3
Puntos de cruze
Base de reglas
Base de reglas nueva
Introduccin a la Lgica Borrosa
Proceso de diseo
n Entradas grficas
variables
conjuntos borrosos
funciones de pertenencia
n Entradas textuales
reglas borrosas
editores de cdigo
Anlisis y
conversin
Lenguaje
descripcin
compilador
borroso
Lenguaje final
(C, ensamblador)
Lenguaje
descripcin
26
Introduccin a la Lgica Borrosa
Entornos de desarrollo
n Academicos
Diversos Libros
IDEA
n Comerciales
FuzzyTHEC
FIDE
TILSehll
Introduccin a la Lgica Borrosa
fuzzyTECH
27
Introduccin a la Lgica Borrosa
fuzzyTECH:Variables
Introduccin a la Lgica Borrosa
fuzzyTECH:Proyecto
28
Introduccin a la Lgica Borrosa
fuzzyTECH:Reglas
Introduccin a la Lgica Borrosa
fuzzyTECH:Simulacin
29
Introduccin a la Lgica Borrosa
FIDE
n Orign
Aptornix y Motorola
Soprota los micros:
MC6805 y MC68HC05
MC68HC11
diversos lenguajes de descripcin FIL, FCL
n Bloques
COMPILER
DEBUGER
COMPOSER
RTC
Introduccin a la Lgica Borrosa
FIDE
n Entradas
invar pend_angle " " : -127 ( 1 ) 127 [
$ pend_angle is an input variable
N_Large (@-127, 1, @-112, 1, @-64, 0),
N_Medium (@-112, 0, @-64, 1, @-16, 0),
N_Small (@-64, 0, @-16, 1, @16, 0),
Zero "pend_zr",
P_Small (@-16, 0, @16, 1, @64, 0),
P_Medium (@16, 0, @64, 1, @112, 0),
P_Large (@64, 0, @112, 1, @127, 1)
]; $ end of labels
n Reglas
if pend_angle is N_Large and pend_velocity is N_Large then force is N_Large;
if pend_angle is N_Large and pend_velocity is N_Medium then force is N_Large;
if pend_angle is N_Large and pend_velocity is N_Small then force is N_Large;
30
Introduccin a la Lgica Borrosa
FIDE
n Superficie de control
Introduccin a la Lgica Borrosa
FIDE
n Comportamiento dinmico
31
Introduccin a la Lgica Borrosa
FIDE
n Editor grfico de Composer
Introduccin a la Lgica Borrosa
Entorno de Togai InfraLogic
n Interface de usuario en MSWindows
TILSell Entorno Fuzzy
TILGen Modelado
TILChart Anlisis
n Basado en lenguaje FPL
Independiente del soporte fsico
Salidas para
C ANSI para PC
Microporcesadores 8051 68HC11
Aceleradores Fuzzy FC110
32
Introduccin a la Lgica Borrosa
Aplicaciones de Togai
InfraLogic
Especif
Anlisis
Sistema
Reglas
TILGen
TILSell
Fuzzy C
entorno
Usuario
fichero FPL
MicroFPL
entorno
FC110
entorno
FCA
entorno
TILChart
PC Micro FC110 ASIC
Sistema
Basado
en
Sistema
Basado
en
Sistema
Basado
en
Sistema
Basado
en
Introduccin a la Lgica Borrosa
Interpretador de FPL
Fuente
Analizador
Lxico
Parser
Base de datos
de Objetos
Generador
de Cdigo
Ensamblador
de H8
Gestor
de errores
33
Introduccin a la Lgica Borrosa
Aplicaciones
n Medicina
acupultura
anlisis cardaco y de arterioesclerosis coronaria
n Control en triempo real
Sistemas ABS
Conduccin con derrapaje
Direccin de helicoptero
Introduccin a la Lgica Borrosa
Controlador Borroso
Reconocimiento de voz
Control de helicoptero
34
Introduccin a la Lgica Borrosa
Conduccin con derrapaje
Introduccin a la Lgica Borrosa
Compromisos de
implementacin
Velocidad
Precisin Flexibilidad
35
Introduccin a la Lgica Borrosa
Rangos de complejidad
10 100 1000
10
100
1k
10k
100k
1M
Control de motores
Control de procesos
Robotica
electrod.
imagen
Simulacin
Nmero de reglas
MFLIPS
Coprocesadores
Introduccin a la Lgica Borrosa
Realizacin Hardware
n Segn el tiempo se respuesta
n Implementacin en mircoprocesadores
Programado en C o en ensamblador
Dedicacin completa o compartida
Conexin con entornos de desarrollo
68HC11, 68HC16, 80C51, TMS300
n Tarjetas aceleradoras
n Coprocesadores especificos
36
Introduccin a la Lgica Borrosa
Codificacin en C
n Elementos a definir
Estructura de las funciones de inclusin
Clculo de la veracidad de la regla
Clculo del valor final de la salida
Introduccin a la Lgica Borrosa
funciones de inclusin
n Estructura en C
typedef struct {
char szName[20];
NUMERO x1,x2,x3,x4;
} adjetivo;
n Representacin
adjetivo of vinculo <> {x1, x2,x3,x4}
0
0.5
1
X1 X2 X3 X4
37
Introduccin a la Lgica Borrosa
Entorno IDEA
Introduccin a la Lgica Borrosa
Modelo MVC
Control
Layer
(Notifier)
View
Layer
(IdeaView)
Application
Layer
(model)
Notifier
View Message
Model Access and
Update Message Messages
Protocols
38
Introduccin a la Lgica Borrosa
Codificacin en C++
n Clases del modelo ARS
VObject
Adjetivo
ANS
ANN
Comp
ARS
FEN
World
VContainer
VObjArray
Array
Circuito
TrainingSet
Vinculo
Introduccin a la Lgica Borrosa
Ejemplo fuente EDA
n Diagrama de bloques
/* Externs Vinculos */
float Dist45Righ ={0,255};
float DisCentre ={0,255};
float Dist45Left ={0,255};
float AngInt1 ={0,255};
...
float Inc6 ={0,255};
/* Decision */
fen Decision (Dist45Righ, DisCentre, Dist45Left >>Speed, Direction){
/* Definition of adjetivos */
Little of Dist45Righ < {10,50};
Medium of Dist45Righ <> {10,50,50,100};
Large of Dist45Righ > {50,255};....
/* Definition of rules */
if (Dist45Righ = Little and DisCentre = Little and Dist45Left = Little)
then {
Speed =Negative;
Direction =Righ;
}; ...
};
/* world */
world Control (Ang1, ... Ang6, Inc1, ... Inc6 >> Dir1, Dir2, Dir3, AngInt1, ...
AngInt6, IncInt1, ... IncInt6){};
/* Robot */
ars Robot (Dist45Righ, DisCentre, Dist45Left, AngInt1, ... AngInt6, IncInt1,
... IncInt6 >> Ang1, ... Ang6, Inc1, ... Inc6) {
/* Interns Vinculos */
float Speed ={-1,1};
float Direction ={-1,1};
/* Connections of ANS */
Decision(Dist45Righ, DisCentre, Dist45Left >> Speed, Direction);
Coordination(AngInt1, ... AngInt6, IncInt1, ... IncInt6 >> Ang1, ... Ang6,
Inc1, ... Inc6);
};
Control
Ang[1:6]
Inc[1:6]
AngInt[1:6]
IncInt[1:6]
Dist1
Dist3
Dist2
P5 P3 P1
P6 P4 P2
comp Coordination
fen Decision
Direction
Speed
Dist45Righ
DistCentre
Dist45lLeft
AngInt[1:6]
IncInt[1:6]
ars Robot
39
Introduccin a la Lgica Borrosa
Calculo de veracidad de la regla
for (nRul=0;nRul<pAnsFu->nNumRul;nRul++) {
pAnsFu->fVerac[nRul]=1;
for (nImp=0;nImp<pAnsFu->nNumImp;nImp++) {
if (pAnsFu->bPremis[nRul][nImp]>=0) {
pAnsFu->fVerac[nRul]=
min(pAnsFu->fVerac[nRul],
is(pAnsFu->pVincImp[nImp].Val,
&pAnsFu->pAdjImp[pAnsFu->bPremis[nRul][nImp]]));
};
};
Introduccin a la Lgica Borrosa
Calculo de la salida
Numerador
for (nOut=0;nOut<pAnsFu->nNumOut;nOut++)
if (pAnsFu->bConsec[nRul][nOut]>=0)
{
/* Acumulo la veracidad de cada regla para cada salida */
ffVeracTotal[nOut]+=pAnsFu->fVerac[nRul];
pAnsFu->pVincOut[nOut].Val+=
(pAnsFu->fVerac[nRul]) *
(pAnsFu->pAdjOut[(pAnsFu->bConsec[nRul][nOut])].x2);
};
Denominador
for (nOut=0;nOut<pAnsFu->nNumOut;nOut++)
if (ffVeracTotal[nOut]!=0)
{
pAnsFu->pVincOut[nOut].Val/=ffVeracTotal[nOut];
}
}
40
Introduccin a la Lgica Borrosa
Aceleradores de procesamiento
n Tarjetas aceleradoras
DASH!860 de Myrian Solutions
LFZY1, MFZY1, para PC y Multivus II (T/FC150)
n Microprocesadores especificos
NLX230 de Neuralogix
SAE 81C99 de Siemens
MSM91U112 de OKI
T/FC150 de Tohsiba
FC110 de Togai
Introduccin a la Lgica Borrosa
DASH!860 de Myrian Solutions
n Hardware
Basado en el el i860 CPU 64bits RISC a 40Mhz
4KB cache de codigo 8KB de datos
40MIPS 80MFLOP
Conexin a bus AT
n Software
Soporta C, C++, Fortan y Pascal
41
Introduccin a la Lgica Borrosa
SAE 81C99 de Siemens
n Caractersticas
78s con 8 inp, 1 out, 256 reglas
7.9MLIPS
Conexin a microprocesador
64 bases de reglas de 256 reglas
Reglas con 256 entradas y 64 salidas
Funciones de inclusin arbitrarias
desborrosificacin con CM
8 bits resolucin
Introduccin a la Lgica Borrosa
SAE 81C99 de Siemens
n Esquema
Control
Desborrosificador
Inferencia
Unidad de operaciones
borrosa de 60 Bits Interface con microprocesador
Generador de reloj
Borrosificador
Base de conociminetos
42
Introduccin a la Lgica Borrosa
NLX230 de NeuraLogix
n Caractersticas
30MLIPS
Conexin a microprocesador
Reglas con 16 entradas y 1 salida
16 entradas y 8 salidas
Funciones de inclusin arbitrarias
Introduccin a la Lgica Borrosa
NLX230 de NeuraLogix
n Esquema
INPUTx8
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
Fuzzifier
OUPUTx8
Rule Memory
Interfacing
Timing
43
Introduccin a la Lgica Borrosa
T/ FC150 de Toshiba
n Caractersticas
4.4MFLIPS
Conexin a microprocesador
8 entradas y 1 salida
14 tipos de funciones de inclusin
Calculo con Min-Max
Desborrosificacin CM
8 bits resolucin en funciones de inclusin
10 bits resolucin en entradas y salidas
Introduccin a la Lgica Borrosa
FC110 de Togai
n Caractersticas
0.2MLIPS
Conexin a microprocesador
Instrucciones propias
128Kbytes de base de reglas
800 reglas con 256 argumentos
Reglas con nmero de entradas y salidas
arbitrarias
Funciones de inclusin arbitrarias
8 bits resolucin en entradas y salidas
44
Introduccin a la Lgica Borrosa
Otros mtodos
n ASIC digitales
bajo precio y altas prestaciones
n Circuitos digitales basados en FPGA
adecuados para prototipos
n ASIC analgicos
Mxima velocidad de proceso
Area y coste reducido
n Circuitos analgicos discretos
veloces para aplicaciones simples
Introduccin a la Lgica Borrosa
Tcnicas utilizadas
n Modulacin de anchura de pulso
n Diseos basados en modo corriente
Espejos de corriente para el borrosificador
Multiplicacin analgica con CMOS
n Uso de tecnologa bipolar
Amplificadores complementarios saturados
45
Introduccin a la Lgica Borrosa
Bibliografa
n Industrial Applications of fuzzy control
M.Sugeno. Edit:Nort-Holland
n Fuzzy models for pattern recognition
J.C. Bezdek & S.K. Pal. Edit:IEEE PRESS
n Computational inteligence imitating life
J. M. Zurada, R.J. Marks II, C.J. Robinson. Edit:IEEE PRESS
n Using Fuzzy Logic
Jun Yan, Michael Ryan, James Power. Edit:PRENTICE HALL
n Adaptative Fuzzy Systems and Control
Li-Xin Wang.Edit: PRENTICE HALL