Escolar Documentos
Profissional Documentos
Cultura Documentos
Razonamiento Humano
Lgica Booleana : Verdadero / Falso
Solo dos estados posibles
Util para definir conceptos sin definiciones claras. Evaluar expresiones sin ser tan restricctivos. Usos
Control de Procesos Redes Neuronales Bases de Datos Introducir experiencias de un experto
Logica difusa
Utilizar todo el espectro posible entre los valores Verdadero / Falso, esto es Intervalo [0,1]
Set Difuso
Set (coleccin o clase): coleccin de objetos que forman un todo. Ejemplos
El set de enteros no negativos menores que 4
0,1,2,3
Funcin de Pertenencia
Un conjunto difuso A se define como una FUNCION DE PERTENENCIA que empareja los elementos de un dominio X con elementos del intervalo [0,1]. Cuanto ms cerca est A(x) del valor 1, mayor ser el grado de pertenencia del objeto x al conjunto A
0 no pertenece en absoluto 1 pertenencia total
Conjunto difuso
Contexto
No es lo mismo alto en personas que en rboles.
Funcin Triangular
m, valor modal A(x;a,m,b)=max{min{(x-a)/(m-a),(b-x)/(bm)},0}
Funcin S
m, punto de inflexin El crecimiento es ms lento cuanto mayor sea la distancia a-b.
Ejemplo Edad
Etiquetas Lingsticas definidas como conjuntos difusos. Joven Viejo
Trminos Primarios
Definidos a Priori
Ejemplo Temperatura
Bajo, esta definida en un rango de los valores esperados para nivel [0,100%] de lleno. Nivel, es un escalar.
Alto
Operaciones Difusas
Propiedades
Conmutatividad Asociatividad Distributividad Absorcin Identidad
Ley del Tercio Excluso A c(A) = U con U universo Ej. Conjunto difuso joven
Comparacin
Modificadores Lingsticos
Ejemplo : casi , muy , algo Se modelan a partir de operaciones sobre la funcin de pertenencia de la variable. Modifica el significado de los trminos.
Muy Fro Casi Abierto
Modificadores
Tipo Representacin Clculos Negacin NEG(Q(x)) 1- Q(x) Concentracin CON(Q(x)) Q2(x) Dilatacin DIL(Q(x)) 2Q(x)-Q2(x) Intensificacin INT(Q(x)) 2Q2(x), si 0.5uQ(x)u0 1-2(1-Q(x))2, si Q(x) "0.5
con Q(x) funcin de pertenencia.
Inferencia Max-Min
Sean A y B dos conjuntos difusos Utiliza como operador de implicacin el min para formar la Matriz M.
mij = min (ai,bj).
Funcionamiento
Para un valor crisp de entrada
Regla
IF A T HEN B
Reading
A A
B
B A'
I A T
A | " ser adinerado" ! _ 0/0, 1/0.1, 5/0.5, 10/0.8, 50/1, 100/1, 500/1a
Por otra parte, sea V el universo de los posibles precios en (millones de pesos) de un auto. | "s r t c r " _ /0, 1/0, /0. , /0. , 10/1a 0. Si se sabe que:
Jorge es rico Si Jorge es adinerado, se comprar un auto caro.
Grficamente
RICO
R
1 0.9 0.8
ADINERADO
A
1 0.9 0.8
0.5
0.5
0.1
0.1
1 5 10 50 100 500
0 1 5 10
50
100
500
CARO
C
1 0.9 0.8
0.5
0.1
0.5
1 2
10
Solucin
Entrada es un conjunto difuso, subconjunto de A (ser rico): ' _ 0/0, 1/0, 5/0.1, 10/0. , 50/0.5, 100/0. , 500/1a rico Formamos la matriz M con la formula
mij = min (ai,cj).
Tomando en consideracin
_ 0/0,
C
adinerado
_ 0.5/0,
Matriz M
AxC 0/0 1/0.1 5/0.5 10/0.8 50/1 100/1 500/1 0.5/0 0 0 0 0 0 0 0 1/0 0 0 0 0 0 0 0 2/0.5 0 0.1 0.5 0.5 0.5 0.5 0.5 5/0.9 0 0.1 0.5 0.8 0.9 0.9 0.9 10/1 0 0.1 0.5 0.8 1 1 1
Determinar C usando:
Cj = max1 i n {min(a i,mij)}
A' ! _ 0/0, 1/0, 5/0.1, 10/0.2, 50/0.5, 100/0.9, 500/1a
M=
0 0 0 0 0 0 0
0 0 0 0 0 0 0
min(ai,mij)
A xM 0/0 1/0 5/0.1 10/0.2 50/0.5 0 0 0 0 0 0.1 0 0 0.5 0 0 0.5 0 0 0.5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.2 0.5 0.5 0.5 0 0 0.1 0.2 0.5 0.9 0.9 0 0 0.1 0.2 0.5 0.9 1
max1in {min(ai,mij)}
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.2 0.5 0.5 0.5 0 0 0.1 0.2 0.5 0.9 0.9 0 0 0.1 0.2 0.5 0.9 1
Conclusin
El subconjunto de C obtenido es
C = {0.5/0, 1/0, 2/0.5, 5/0.9 10/1}
Funcionamiento Grfico
Inferencia Max-Producto
Utiliza como operador de implicacin el producto para formar la Matriz M.
mij = ai* bj
Funcionamiento
Regla
I A T
Reading
Ejemplo
Si usamos el mismo ejemplo anterior, y aplicando mij = ai*bj , para obtener M, tenemos:
AxC 0/0 1/0.1 5/0.5 10/0.8 50/1 100/1 500/1 0.5/0 0 0 0 0 0 0 0 1/0 0 0 0 0 0 0 0 2/0.5 0 0.05 0.25 0.4 0.5 0.5 0.5 5/0.9 0 0.09 0.45 0.72 0.9 0.9 0.9 10/1 0 0.1 0.5 0.8 1 1 1
M=
M=
min(ai,mij)
A xM 0/0 1/0 5/0.1 10/0.2 50/0.5 100/0.9 500/1 0 0 0 0 0 0.05 0 0 0.25 0 0 0.4 0 0 0.5 0 0 0.5 0 0 0.5 0 0.09 0.45 0.72 0.9 0.9 0.9 0 0.1 0.5 0.8 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.2 0.5 0.5 0.5 0 0 0.1 0.2 0.5 0.9 0.9 0 0 0.1 0.2 0.5 0.9 1
max1in {min(ai,mij)}
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.1 0.2 0.5 0.5 0.5 0 0 0.1 0.2 0.5 0.9 0.9 0 0 0.1 0.2 0.5 0.9 1
Conclusin
El subconjunto de C obtenido es
C = {0.5/0, 1/0, 2/0.5, 5/0.9 10/1}
Control Difuso
Los sistemas expertos de control difuso basados en reglas son la aplicacin ms extendida de la lgica difusa, tambin conocidos como:
Controladores difusos o FLC (Fuzzy Logic Controllers). Sistemas de inferencia difusa o FIS (Fuzzy Inference Systems),
Estructura
Fuzzificador
Base de Conocimiento
Contiene el conocimiento asociado al dominio de la aplicacin y los objetivos de control. Esta formada por una base de datos y un conjunto de reglas difusas de control de la forma:
Si (X1 es A1)y (X2 es A2) y (Xn es An) Entonces (Y es B) donde:
Los Xi son las Variables de Estado del sistema a controlar Y es una Variable de Control del Sistema a controlar. Los Ai y B son etiquetas lingsticas con una funcion de pertenencia asociada que dan valor a sus variables.
Fuzzificador
Obtiene los valores de la variable de entrada. Convierte los valores reales (crisp) de entrada en conjuntos difusos, lo que permite ser tratados como tales. Ventajas de la fuzzificacin
Permite minimizar posibles cambios ligeros en las variables de entrada. Permite suavizar el comportamiento del sistema. Permite minimizar los posibles errores al tomar los datos.
Defuzzificador
Convierte los valores difusos de las variables de salida en valores concretos dentro del universo de discurso correspondiente. Genera una accin no difusa a partir de la accin difusa resultante del sistema de inferencia.
Metodos de defuzzificacin
Usando la agregacin de todos los conjuntos difusos resultantes de todas las reglas:
Centro de Gravedad (COG) Punto de Mximo Criterio (PMC o Media de Maximos). Centro de Area. Etc.
Caractersticas
Son bastante intuitivos: La posibilidad de usar
expresiones con imprecisin genera modelos intuitivos.
Tolerancia al ruido: En general, como una salida Estabilidad: Son sistemas robustos
Aplicaciones
Nombre
Controlador de trfico en una interseccin. Controlador de un grupo de Ascensores Planificacin del transporte en tren de multitud de productos. Planificacin en una red de Comunicaciones
Objetivo
Minimizar el tiempo de espera de los coches y la longitud de cola Minimizar el tiempo de espera de los pasajeros (dentro y fuera del ascensor) Optimizar el transporte ferroviario de distintos tipos de mercancas que requieren ciertos tipos de vagones y ms requisitos. Transmitir la informacin de forma rpida, minimizando los nodos por los que pasa.
Otros
Controlador de un motor de induccin. Diagnsticos de fallos en sistemas dinmicos, usando redes neuronales difusas. Software de simulacin de controladores difusos.
co s
a M uy _P qu e a M ed ia
A
s M uy _P o co s ho h si M uc M uc Po
1
1
Pe
0
1 2 3 4 5 6 7 8 9 10
oches
La
Coches
9 10
0
1 2 3 4 5 6 7 8
M uy _C
or to
T
1
M ed io
or to
La
0
1 2 3 4 5 6 7 8 9 10
rg o
Segs.
rg
muestra 16 reglas, aunque son necesarias menos reglas, pues algunas pueden sintetizarse en una nica regla.
Muy_Corto Corto
Muy_Pequea Muy_Corto
Ejemplo de funcionamiento
Existen 5 coches en la cola del semforo en rojo. El ritmo de llegada en la fase verde del semforo son 5. El tiempo del semforo verde ser de 3.11 segundos.