Logica Difusa
Logica Difusa
Logica Difusa
CONJUNTOS DIFUSOS
Un conjunto no tiene lmites claramente definidos o precisos.
La transicin de la pertenencia o no-pertenencia de un
elemento, es gradual, y esta transicin est caracterizada por
funciones de membresa.
A = { ( x, A (x) ) | x X }
donde A (x) se conoce como la funcin de membresa
X es llamado el universo de discurso
x son los elementos de ese universo
EJEMPLO
El universo puede tener elementos discretos (ordenados o no
ordenados) o ser un espacio continuo.
El conjunto difuso A = nmeros inferiores a 3 se puede
expresar de la siguiente manera:
A = { (x, A (x) | x X } , donde A (x) se puede definir como:
A (x) = 1 (x / 3)
1,2
1
0,8
0,6
0,4
0,2
0
0
0,5
1,5
Nmeros inferiores a 3
2,5
3,5
INTERSECCIN (AND)
1,2
1
0,8
0,6
0,4
0,2
0
0
10
1,2
1
0,8
0,6
0,4
0,2
0
0
10
10
10
1,2
1
0,8
0,6
0,4
0,2
0
UNION (OR)
C (x) = max( A (x), B (x) ) = A (x) B (x)
1,2
1
0,8
0,6
0,4
0,2
0
1,2
1
0,8
0,6
0,4
0,2
0
0
10
1,2
1
0,8
0,6
0,4
0,2
0
10
10
1,2
1
0,8
0,6
0,4
0,2
0
0
10
COMPLEMENTO (NOT)
(x) = 1 - A (x)
1,2
1
0,8
0,6
0,4
0,2
0
1,2
1
0,8
0,6
0,4
0,2
0
0
10
1,2
1
0,8
0,6
0,4
0,2
0
10
10
1,2
1
0,8
0,6
0,4
0,2
0
0
10
F. M. TRIANGULAR
Una FM triangular se especifica mediante tres parmetros { a,
b, c }, de la siguiente forma:
tringulo ( x; a, b, c)
0,
xa
xa
, a xb
ba
cx
, b xc
cb
0,
cx
xa c x
tringulo( x; a, b, c) max min
,
,0
ba cb
F. M. TRAPEZOIDAL
Una FM trapezoidal se especifica mediante cuatro parmetros
{ a, b, c, d }, de la siguiente forma:
trapecio( x; a, b, c, d )
0,
xa
xa
, a xb
ba
1,
bxc
dx
, cxd
d c
0,
dx
x a d x
trapecio( x; a, b, c, d ) max min
,1,
,0
ba d c
gauss ( x; c, ) e
1 x c
campana( x; a, b, c)
1
x c 2b
1
a
FORMAS DE ONDA
Las FM que se muestran en la figura corresponden a las
definidas por los siguientes valores: tringulo(x; 6, 7, 9),
trapecio(x; 5, 6, 8, 10), gauss(x; 0.7, 3) y campana(x; 1.5, 5, 3).
SINGLETON
Un conjunto difuso que contiene un nico elemento, x0, es
denominado una singularidad difusa o fuzzy singleton.
El uso de singletons simplifica considerablemente el proceso de
inferencia y posibilita la implementacin electrnica eficiente de los
sistemas de inferencia difusos.
s(x) = 0 si x x0
s(x) = 1 si x = x0
s(x)
x0
REGLAS DIFUSAS
IF....THEN
Salida
Entrada 2
Regla 4
Las entradas
son nmeros
limitados a un
rango
especifico.
Entradas no
difusas.
Los resultados
de las reglas
son
combinadas y
defusificadas.
El resultado es
un valor
numrico no
difuso.
BAJO(T) = 1 - ( T / 10 )
ALTO(T) = T / 10
Entrada no difusa = 5
BAJO
ALTO
BAJO
ALTO
BAJO
ALTO
BAJO
ALTO
BAJO(X
)
ALTO(X)
BAJO(Y)
ALTO(Y)
0.32
0.68
0.32
0.68
0.32
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0,9
0,8
0,7
ALTO
BAJO
S
ALTO
0,6
u(Y)
u(X)
BAJO
0,5
0,4
0,3
0,2
0,1
0
0 1 2 3 4 5 6 7 8 9 10
X
10
METODO DE IMPLICACION
Un consecuente es un conjunto difuso representado por una
funcin de membresa, en nuestro caso tiene asignada dos, las
cuales son:
Z = { BAJO, ALTO }
Hay dos mtodos conocidos que son las mismas funciones
usadas por el mtodo AND: min (mnimo), que trunca el
conjunto difuso de salida, y el PROD (producto), el cual escala
al conjunto difuso de salida.
El grado de verdad de la premisa de cada regla es computada
y aplicada al consecuente de cada regla. Este resultado es un
subconjunto difuso que ser asignado a cada variable de salida
correspondiente. Nosotros aplicamos en este ejemplo el mtodo
de Mamdani mtodo de inferencia MIN-MAX. Para cada regla
hacemos el MIN entre el nivel de disparo y la funcin de
membresa de la variable de salida indicada en el consecuente.
METODO DE IMPLICACION
1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
0
10
R1
0,8
0,8
0,6
0,6
0,4
0,4
0,2
0,2
0
1
5
R3
10
R2
10
5
R4
10
METODO DE AGREGACION
Agregacin o composicin es el proceso por el cual los conjuntos
difusos que representan las salidas de cada regla son combinadas
en un nico conjunto difuso.
La salida del proceso de agregacin es un conjunto difuso para
cada salida variable.
Los dos mtodos ms conocidos son: max (mximo) y sum
(suma).
Lo ms comn cuando usamos la funcin 'min' en el mtodo de
implicacin es corresponder con la funcin 'max' en el mtodo de
agregacin.
De igual manera si elegimos la funcin 'prod' para el mtodo de
implicacin, es usual hacerlo corresponder con la funcin 'sum'
para el mtodo de agregacin.
METODO DE AGREGACION
En el proceso de composicin o agregacin, todos los
subconjuntos difusos son combinados para dar un nico conjunto
de salida, esto se logra haciendo el MAX de las funciones
mostradas en los grficos anteriores, obtenindose la siguiente
figura:
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
0
Composicin
10
DEFUSIFICACION
La entrada para el proceso de defusificacin es un conjunto difuso
(la salida de la etapa de agregacin) y la salida es un simple
nmero concreto. Los sistemas del mundo real requieren un
resultado numrico.
El mtodo ms popular de defusificacin es el clculo del centro
de gravedad centroide, el cual retorna el centro del rea bajo la
curva. Al igual que en los pasos anteriores existen ms mtodos de
clculo.
Centro de gravedad
DEFUSIFICACION
Forma continua
Para calcular el algoritmo del centro de gravedad (cog, siglas en
ingles) dividimos al Momento de la funcin por el Area de la
funcin:
Forma discreta
Se divide la funcin en partes iguales y se calcula haciendo la
sumatoria de todos los puntos de la siguiente manera:
DEFUSIFICACION
Forma continua:
PRODUCTO CARTESIANO
El producto cartesiano es usado para definir una relacin entre dos
o ms conjuntos (sean ordinarios o difusos).
El producto cartesiano es denotado como AxB y es definido como:
IMPLICACION
La regla 'si el nivel es bajo, entonces abro V1' es llamada una
implicacin, porque el valor de 'nivel' implica el valor de 'V1' en el
controlador.
Hay muchas maneras de definir la implicacin, se puede elegir una
funcin matemtica distinta en cada caso para representar a la
implicacin.
Cada regla puede ser interpretada como una relacin difusa como
Ri: ( X Y ) [ 0, 1 ].
Cuando usamos una conjuncin A B, la interpretacin de las
reglas if-then sera "es verdadero que A y B cumplen
simultneamente".
Esta relacin es simtrica y puede ser invertida. La relacin R es
computada por el mtodo de Mamdani utilizando el operador Min.
La representacin de la relacin difusa R del modelo entero es
dado por la disjuncin (unin) de las K relaciones de cada regla
individual Ri.
IMPLICACION
x es A
Premisa 2:
Si x es A entonces y es B
Consecuente:
entonces y es B
INFERENCIA
x A
A
Si x es A entonces y es B
AB
R
y B
B
INFERENCIA
El grado de cumplimiento del i antecedente de cada regla sera:
EJEMPLO
1
0,9
0,9
0,8
0,8
0,7
0,7
0,6
0,5
0,6
0,5
0,4
0,4
0,3
0,3
0,2
0,2
0,1
0,1
0
0
10
10
EJEMPLO
R
3
4
5
6
7
3
0
0
0
0
0
4
0
0,5
0,5
0,5
0
5
0
0,5
1
0,5
0
6
0
0,5
0,5
0,5
0
7
0
0
0
0
0
R : si x es A entonces y es B
AB
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
7
5
3
EJEMPLO
= max [ A(x) A(x) ] = max ( [0; 0.5; 0; 0; 0] [0; 0.5; 1; 0.5; 0] )
= max [0; 0.5; 0; 0; 0] = 0.5
B = B = 0.5 [0; 0.5; 1; 0.5; 0]
B = 0.5 [0; 0.5; 0.5; 0.5; 0]