Professional Documents
Culture Documents
1. Introduccin
Figura 1
Estructura interna de un Controlador Difuso
2 Para una explicacin sobre el funcionamiento de Sistemas con esta estructura, vase
[4][6][11]
A continuacin se presenta un Controlador Difuso Adaptativo desarrollado
por Wang & Mendel [20] que cuenta con un algoritmo de entrenamiento. Se
ha seleccionado este controlador, porque el algoritmo empleado es uno de
los ms sencillos conceptuelmente, y de mayor simplicidad algortmica, tal
como se presenta en el numeral siguiente.
Este algoritmo parte de una tabla que describe cules deben ser las salidas
concretas, cuando se especifican las entradas concretas, es decir, de tablas
como la siguiente :
Tabla 1
Parejas de Entrenamiento Entrada-Salida
Entrada 1 Entrada 2 ... Entrada p Salida 1 Salida 2 ... Salida q
x11 x21 ... xp1 y11 y21 ... yq1
x12 x22 ... xp2 y12 y22 ... yq2
... ... ... ... ... ...
x1w x2w ... xpw y1w y2w ... yqw
Los w casos que se quieren obtener con el Sistema de Lgica Difusa pueden
ser insuficientes para determinar completamente el diseo, o por el
contrario, pueden ser inconsistentes entre s.
1. Determinar los grados de pertenencia de x1k, x2k, ... xpk;y1k, y2k, ... yqk; a
cada uno de los Valores Lingsticos de las respectivas Variables
Lingsticas.
Ejemplo 1
Figura 2
Planteamiento del problema
Wang encuentra una Tabla de Parejas Entrada-Salida (como la Tabla 1) a
partir de su propia experiencia como conductor, y con ella entrena un
Controlador Difuso que tiene 5 valores lingusticos para la distancia x, 7 para
el ngulo A, y 7 para el ngulo de salida B. Los resultados los compara con
los obtenidos por Nguyen & Widrow con redes neuronales a partir de la
misma Tabla Entrada-Salida, y las trayectorias seguidas por el vehculo son
semejantes.
Lo interesante de este ltimo diseo es que all se han combinado dos tipos
de informacin de naturaleza diferente: por una parte est la informacin
numrica proveniente de la Tabla, y por otra parte est la informacin
lingstica contenida en las reglas If-Then.
- Zonas de ro.
- Zonas de construcciones humanas.
- Zonas dedicadas a la agricultura.
- Zonas boscosas.
- Para todos los conjuntos debe exisitir al menos un elemento de X tal que su
funcin de pertenencia al conjunto sea distinta de cero.
- Para todos los elementos de X, la suma de sus funciones de pertenencia a
los c Conjuntos debe ser 1.
V = [ v1 v2 ... vc]
Tambin define la matriz U como la matriz de orden c*n que contiene las
funciones de pertenencia de cada uno de los n xi casos a los c Conjuntos
difusos identificados por los vi centros.
u11 u12 . . . u1n
u21 u22 . . . u2n
U =
. . . .
uc1 uc 2 . . . ucn
u
k =1
ik = 1; i , i = 1,2. . . c
c
u
i =1
ik > 0; k , k = 1,2. . . n
(u
2
J m (U , V ) = ik ) m x k vi
k = 1 i =1
1
2
c x v* m1
=
i
ui*k
k
; i , k {1}
j = 1 x k v *j
n
(u )
k =1
* m
ik xk
v =
*
i n ; i {2}
(u
k =1
)
* m
ik
3.2 Ejemplo 2
d=1
x1=[1]; x2=[2]; x3=[3]; ...; x19=[19]; x20=[20];
c=3
Las figuras 33 a 8 muestran como evolucionan los tres conjuntos difusos en
cada una de las iteraciones. La particin inicial es aleatoria, y se ha
escogido m=1.5.
Figura 3 Figura 4
3-particin para p=1 3-particin para p=2
Figura 5 Figura 6
3-particin para p=3 3-particin para p=4
Figura 7 Figura 8
3-particin para p=5 3-particin para p=27
3.3 Ejemplo 3
3 En las figuras 3 a 18 el eje horizontal corresponde al intervalo real [0,20], y el eje vertical a
las funciones de pertenecia de los conjuntos definidos por el algoritmo fuzzy c-means
Las figuras 9 a 14 muestran los resultados finales de las particiones, cuando
se selecciona m1=1.2, m2=1.5, m3=2, m4=3, m5=5, m6=10. Ntese que an
cuando la forma de los conjuntos difusos vara fuertemente, el centro de
stos no.
Figura 9 Figura 10
3-particin para m=1.2 3-particin para m=1.5
Figura 11 Figura 12
3-particin para m=2 3-particin para m=3
Figura 13 Figura 14
3-particin para m=5 3-particin para m=10
3.4 Ejemplo 4
Figura 15 Figura 16
2-particin 3-particin
Figura 17 Figura 18
5-particin 10-particin
3.5 Ejemplo 5
Los tres grupos de 1024 pixels pueden organizarse en 1024 3-uplas as:
Trivedi [15] emplea los centros de los conjuntos obtenidos con este
procedimiento para caracterizar cada una de las cuatro zonas.
Posteriormente, para decidir a que zona pertenece cada pixel, observa a
cual de los cuatro conjuntos difusos hallados pertenece en mayor medida,
con lo que se completa el proceso de identificacin de la imagen.
Miyamoto & Umano [12] distinguen dos tipos de tcnicas difusas en las
Bases de Datos:
- Bases de Datos Difusas.
- Tcnicas Difusas para la recuperacin de la informacin.
En esta tcnica la Base de Datos tiene dos componentes4: por una parte se
tiene una Base de Datos tradicional, como la representada en la Tabla 2, y
por otra parte se tiene una definicin Difusa de las variables cuantificables
de dicha Tabla, como la que se muestra en la figura 19.
Tabla 2
Base de Datos tradicional del Ejemplo
Nombre Edad Salario Ao de Ingreso
Anderson 30 20.000 1995
Figura 19
Variables lingsticas para el ejemplo
{ }
ubsqueda ( x, y, z ) = u joven ( x) OR u reciente ( y ) AND ualto ( z )
A esta pregunta existen dos respuestas opuestas, sustentadas cada una por
dos teoras diferentes [13]:
5 En la explicacin de este ejemplo se han mantenido las palabras originales en ingls, sin
su traduccin, para no desvirtuar la naturaleza del experimento.
- Se plantean frases con la palabra objetivo, unas en las que el contexto es
congruente, y otras en las que el contexto es incongruente, por ejemplo:
Hasta este punto las dos teoras coinciden, pero cuando las frases de
contexto incongruente se remplazan por frases de contexto neutral, los
experimentos dan resultados distintos, cada uno reforzando una teora,
dependiendo de lo que se entienda por "contexto neutral". Se han utilizado
frases como las siguientes:
They said it was the ______
The the the _____
It was the _____
Secuencias aleatorias de palabras.
La propuesta de Rueckl consiste en responder a la pregunta Qu es un
contexto neutral diciendo que hay congruencias difusas, es decir, diciendo
que entre los contextos congruentes e incongruentes no hay un nico tipo de
contexto neutral, sino que la congruencia puede manejarse gradualmente.
Figura 20
Variaciones de la letra r - n
6. Conclusiones y comentarios
Se han presentado cuatro aplicaciones diferentes de la Lgica Difusa; las
tres primeras recogen ejemplos sencillos de algunas de las ms comunes
aplicaciones en ingeniera, excluyendo otras igualmente comunes, como las
relativas a la Investigacin de Operaciones y toma de Decisiones, Filtraje de
Seales, Diagnstico de fallas, etc. La cuarta aplicacin presentada cae en
el rea de la psicologa, y se ha incluido aqu con el propsito de resaltar la
importancia conceptual de los Conjuntos Difusos, ya que la existencia de
fronteras no exactas puede emplearse en otros campos distintos a los de la
ingeniera.
7. Bibliografa
[1] lvarez, Hernn D. Control Difuso y Sistemas de Control Inteligentes en Memorias del Segundo
Congreso de la Asociacin Colombiana de Automtica, Bucaramanga, Colombia, marzo de 1997, pp 331-
340
[2] Bezdek, J. "Partition Structures: a tutorial" en "Analysis of fuzzy information", Bezdek, J. CRC Press,
1987, pp 81-108
[3] Bezdek, J. "Pattern recognition with fuzzy objective algorithms" Plenum Press, New York, 1981
[4] Driankov, Dimiter & otros. An Introduction to Fuzzy Control Springer Verlag, Berlin, 1993
[5] Duarte, Oscar G. "UNFUZZY - Software para el anlisis, diseo, simulacin e implementacin de
Sistemas de Lgica Difusa". M.Sc. Tesis. Universidad Nacional de Colombia, Facultad de Ingeniera,
Maestra en Automatizacin Industrial. 1997.
[6] Duarte, Oscar G. "Sistemas de Lgica Difusa. Fundamentos" en Ingeniera e Investigacin, por aparecer.
1997
[7] Klir, George & Yuan, Bo. Fuzzy Sets and Fuzzy Logic Prentice Hall, New Jersey, 1995
[8] Layne, J. & Passino, K. Fuzzy model reference learning control for cargo ship steering en IEEE Control
Systems Magazine, Vol 13, No. 6, dic 93, pp 23-24
[9] Lee, Chuen Chien. Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part I en IEEE Transactions
on Systems, Man, and Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 404-418
[10] Lee, Chuen Chien. Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part II en IEEE Transactions
on Systems, Man, and Cibernetics, V 20, No. 3 Marzo/Abril 1990, pp 419-435
[11] Mendel, Jerry. Fuzzy Logic Systems for Engineering: A Tutorial en Procceedingos of the IEEE, V 83,
No. 3 Marzo 1995, pp 345-377
[12] Miyamoto, S. & Umano, M. "Recent developments in fuzzy databases and applications", en "Fuzzy logic
and its applications to engineering information sciences and intelligent systems", Editado por Bien, Z. &
Min, K. C. Klumer Academic Publishers, pp. 367-378
[13] Rueckl, J. "A fuzzy propositional account of contextual effects on word recognition" en "Fuzzy Sets in
psychology", Ztneyi, T. North-Holland Editors, 1988, pp 127-154.
[14] Tahani, V. "A conceptual framework for fuzzy quering processing - a step toward very intelligent database
system" en Information Processing Managment 13, 1977, 289 303
[15] Trivedi, M.M. "Analysis of Aerial Images using fuzzy clustering" en "Analysis of fuzzy informatio", Bezdek,
J. CRC Press, 1987, pp 133-152.
[16] Wang, Li-Xin Adaptative Fuzzy Systems and Control. Design and Stability Analysis Prentice Hall, New
Jersey, 1994
[17] Wang, Li-Xin Fuzzy Systemes are Universal Approxximators en Proceedings of the IEEE International
Conference on Fuzzy Systems, San Diego, California 1992, pp 1163-1170
[18] Wang, Li-Xin & Mendel, Jerry. Back Propagation Fuzzy System as Nonlinear Dynamic Systems
Identifiers en Proceedings of the IEEE International Conference on Fuzzy Systems, Sna Diego,
California, 1992 pp 1409-1418
[19] Wang, Li-Xin & Mendel, Jerry. Fuzzy Basis Functions, Universal Approximation, ang Orthogonal Least-
Squares Learning en IEEE Transactions on Neural Networks, Vol 3, No 5, Septiembre 1992, pp 807-814
[20] Wang, Li-Xin & Mendel, Jerry. Generating Fuzzy Rules by Learning from Examples en Proceedings of
the IEEE 1991 International Symposium on Intelligent Control 13-15 August, Arlington, Virginia, U.S.A. pp
263-268