Professional Documents
Culture Documents
A
(x): X -> [0, 1]
La funcin caracterstica es tipicamente denominada
funcin de pertenencia (membership function).
Introduccin a la lgica difusa
Set difuso (cont)
La funcin
F
(x) se llama la funcin de pertenencia del
atributo F.
La funcin tiene que ver con un grado de ambigedad
sobre la caracterstica de la variable que se esta
midiendo pero no es una probabilidad
Introduccin a la lgica difusa
Funcin de pertenencia (cont)
Ej:
F
(x) corresponde al nivel de fro medido en la
variable x
-40 -20 0 10 20 30
1
0
F
(x)
x (C
o
)
fro
mas o menos fro
No tan fro
Definitivamente no fro
Introduccin a la lgica difusa
Un set exacto (crisp set) :
s
(x)
x
S
: X -> {0,1}
S
(x) = 1 si x es un miembro de S
S
(x) = 0 si x no es un miembro de S
N
funcin
caracterstica
par binario
1
} 0 : { N S X S
Introduccin a la lgica difusa
Un set difuso (fuzzy set):
s
(x)
x
S
: X -> [0,1], 0
S
(x) 1
S
(x) = 0 si x es 0% miembro de S,...,
S
(x) = 0.10 si x es 10% miembro de S,...,
S
(x) = 0.20 si x es 20% miembro de S,...,
S
(x) = 1 si x es 100% miembro de S
N
funcin de
pertenencia
intervalo de valores entre cero y uno (inclusive)
1
} 0 : { N S X S
subset
Introduccin a la lgica difusa
Otros sets difusos (cont):
s
(x)
x
s
(x)
x
1
1
Hay muchas posibilidades de como representar un set difuso.
Introduccin a la lgica difusa
Variables Lingsticas
Se usan variables lingsticas para analizar y modelar un
sistemas:
Ej: Supongamos que X = edad, se pueden definir
set difusos: joven, adulto, anciano
1.0
0.5
0
X
0 25 50 75 100
(x)
joven adulto anciano
Introduccin a la lgica difusa
Funciones de pertenencia
'
x d
d x c
c d
x d
c x b
b x a
a b
a x
a x
d c b a x
l trapesoida
, 0
,
, 1
,
, 0
) , , , ; (
Funcin de pertenencia trapezoidal:
Ej:
trapesoid
(x; 10, 20, 60, 95)
1
0 20 40 60 80 100
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Funcin de pertenencia triangular:
Ej:
triangle
(x; 20, 60, 80)
'
x c
c x b
b c
x c
b x a
a b
a x
a x
c b a x
tringulo
, 0
,
,
, 0
) , , ; (
1
0 20 40 60 80 100
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Funcin de pertenencia llamada un singleton, tiene un valor
nico cuando x = a (es como una funcin delta de Dirac):
Ej:
singleton
(x; 60)
a x
a x
a x
s
'
, 1
, 0
) ; (
1
0 20 40 60 80 100
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Gausiana
2
2
1
) , ; (
,
_
c x
e c x
Gausiana
Ej:
Gausiana
(x; 3, 1)
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Gausiana
2
2
1
) , ; (
,
_
c x
e c x
Gausiana
Ej:
Gausiana
(x; 3, y)
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Bell b
Bell
a
c x
c b a x
2
| | 1
1
) , , ; (
+
Ej:
Bell
(x; 2, 1, 3)
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Bell b
Bell
a
c x
c b a x
2
| | 1
1
) , , ; (
+
Ej:
Bell
(x; 1, y, 3)
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Bell b
Bell
a
c x
c b a x
2
| | 1
1
) , , ; (
+
Ej:
Bell
(x; y, 1, 3)
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Sigmoide:
) (
1
1
) , , ; (
c x a
e
c b a x sigmf
+
disp_sig.m
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
LR:
'
,
_
<
,
_
c x
c x
F
c x
x c
F
c x LR
R
L
,
,
) , , ; (
c=65
a=60
b=10
c=25
a=10
b=40
difflr.m
F x x
L
( ) max( , ) 0 1
2
F x x
R
( ) exp( )
3
Introduccin a la lgica difusa
Funciones de pertenencia (cont):
Para que un sistema difuso sea adaptativo es util el poder
calcular los derivados de las funciones de pertenencia.
Los derivados toman un rol central en la adaptacin de un
sistema difuso (ver Jang 2.4.3)
Introduccin a la lgica difusa
Funciones de pertenencia en 2 o mas dimensiones:
Las funciones de pertenencia tambin pueden ser de
dos (o mas) dimensiones
C = {(x, y,
C
(x, y)| x X, y Y}
Esto es muchas veces necesario ya que puede que
nuestra funcin de pertenencia tenga varios inputs
Introduccin a la lgica difusa
Funciones de membresa en 2D:
2dmf.m
Introduccin a la lgica difusa
convexmf.m
Un set difuso A es convexo si para cualquier x1,x2 X
y en [0, 1],
A A A
x x x x ( ( ) ) min( ( ), ( ))
1 2 1 2
1 +
Introduccin a la lgica difusa
Algunas definiciones de los sets difusos:
Definicin: Un set difuso A en X se llama normal si
existe por lo menos un elemento x X en el cual A(x) = 1.
Un set difuso que no es normal se llama subnormal.
Definicin: La altura (height) de un set difuso A es el
miembro mas grande en A. Entonces altura(A) = Max A(x)
Definicin: El soporte (support) de un set difuso A es el
subset exacto de X consistente de todos los miembros con
valor de pertenencia > 0. Supp(A) = {x | A(x) > 0 and x X}
Introduccin a la lgica difusa
Algunas definiciones de los sets difusos (cont):
Definicin: La medula (o core) de un set A son todos
los elementos con valor de pertenencia = 1.
medula(A) = {x | A(x) = 1 and x X}
Definicin: Si A y B son dos fuzzy sets en X. A es un
subset de B si B(x) A(x) para todos los valores x X.
Definicin: Si A y B son dos fuzzy subsets de X. A = B si
A es un subset de B y B es un subset de A.
Introduccin a la lgica difusa
Definiciones de los sets difusos (cont):
Definicin: El -level set de A es el crisp set en X
consistente de los elementos en X para el cual A(x)
A
= {x | A(x) , x X}
Exponentes: Si A = {x
1
/a, x
2
/b, ..., } entonces
A
n
= {x
1
n
/a, x
2
n
/b, ..., }
Introduccin a la lgica difusa
Definiciones de los sets difusos (cont):
MF
X
.5
1
0
Core
Crossover points
Support
- cut
R
x y ( , )
A
y
R
x
x y
( )
max ( , )
B
x
R
y
x y
( )
max ( , )
project.m
Introduccin a la lgica difusa
Operaciones en sets difusos (cont):
Conmutatividad:
A B = B A
A B = B A
dempotencia:
A A = A
B B = B
Asociatividad
A (B C) = (A B) C = A B C
A (B C) = (A B) C = A B C
Introduccin a la lgica difusa
Operaciones en sets difusos (cont):
Distribucin
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
Nulo
A = A
A =
Unin e Interseccin de X (A es un subset de X)
A X = X
A X = A
Introduccin a la lgica difusa
Ejemplos:
A={.1/a,.1/b, .2/c, 0/d, 1/e}
B={.1/a, 0/b, .2/c, 0/d, .9/e}
A es un set fuzzy normal en X (a razn de el elemento 1/e)
B es un set fuzzy subnormal en X
altura(A) = 1, altura(B) = .9
supp(A) = {a, b, c, e}, supp(B) = {a, c, e}
core(a) = {e}, core(B) = { }
(A es un subset de B ya que B(x) A(x) para x X)
B A
Introduccin a la lgica difusa
Ejemplos (cont):
A={.1/a,.1/b, .2/c, 0/d, 1/e}
B={.1/a, 0/b, .2/c, 0/d, .9/e}
C = A B = Max[A(x), B(x)] = {.1/a, .1/b, .2/c, 0/d, 1/e}
C = A B = Min[A(x), B(x)] = {.1/a, 0/b, .2/c, 0/d, .9/e}
= 1 A = {.9/a, .9/b, .8/c, 1/d, 0/e}
A
Introduccin a la lgica difusa
Ejemplos (cont):
C
(x) =
A
(x)
B
(x) = min(
A
(x),
B
(x) )
0
1
0
1
x
x
c
(x)
a
(x)
b
(x)
Introduccin a la lgica difusa
Ejemplos (cont):
C
(x) =
A
(x)
B
(x) = max(
A
(x),
B
(x) )
0
1
x
c
(x)
a
(x)
b
(x)
0
1
x
Introduccin a la lgica difusa
Interseccin de sets difusos (A B) :
La interseccin de dos sets difusos A y B se en
general se especifica por una funcin T:[0,1] :[0,1] [0,1].
Estas operaciones se efectan a travs de un operador que
opera sobre los grados de pertenencia de los conjuntos :
A
(x) = T(
A
(x),
B
(x)) =
A
(x) [op]
B
(x)
En el cual [op] es un operador binario.
Introduccin a la lgica difusa
Interseccin de set difusos (A B) (cont) :
Interseccin o T-Norma Generalizado
Requerimientos:
Borde: T(0, 0) = 0, T(a, 1) = T(1, a) = a
Monotonicidad: T(a, b) < T(c, d) if a < c and b < d
Conmutatividad: T(a, b) = T(b, a)
Asociatividad: T(a, T(b, c)) = T(T(a, b), c)
Ejemplos:
Minimum: Tm(a, b)
Algebraic product: Ta(a, b)
Bounded product: Tb(a, b)
Drastic product: Td(a, b)
Introduccin a la lgica difusa
Interseccin de sets difusos (A B) (cont) :
Cuatro operadores T-norm:
T
min
(a,b) = min(a, b) = A B (minino)
T
ap
(a,b) = ab (producto algebraico)
T
bp
(a,b) = 0 (a+ b-1) (producto limitado)
T
dp
(a,b) = a if b=1, (producto drastico)
= b if a=1,
= 0 if a,b < 1
Introduccin a la lgica difusa
Minimum:
Tm(a, b)
Algebraic
product:
Ta(a, b)
Bounded
product:
Tb(a, b)
Drastic
product:
Td(a, b)
tnorm.m
Introduccin a la lgica difusa
Unin de sets difusos (A B) :
Union o T-conorm (S-norm) satisface S(. , .):
Borde: S(1,1) = 1, S(0,a) = S(a,0) = a
Monotonicidad: S(a,b) S(c,d) if a c and b d
Conmutatividad: S(a,b) = S(b,a)
Asociatividad: S(a,S(b,c)) = S(S(a,b),c))
Introduccin a la lgica difusa
Unin de sets difusos (A B) (cont) :
Cuatro operadores T-conorm:
S(a,b) = max(a, b) = A B (mximo)
S(a,b) = a+b-ab (suma algebraico)
Tamao
(x): tamao atractivo para familia de cuatro personas (mts)
Tamao
(x) =
Gausiana
(x; 100; 2)
Introduccin a la lgica difusa
Relaciones Difusas Binarias (cont):
Ej: X: variable que indica el tamao de una casa, Y: variable que
indica el precio de una casa,
Precio
(y): precio atractivo de una casa para una familia de cuatro
personas (millones)
Precio
(y) =
Gausiana
(y; 100; 1)
Introduccin a la lgica difusa
Relaciones Difusas Binarias (cont):
Ej: D = {(x, y,
D
(x, y)| x X, y Y} indica casas de tamao
atractivo para familia de cuatro personas AND precio atractivo
de una casa para una familia de cuatro personas
D
al ser el producto de dos funciones de pertenencia se
denomina compuesta :
D
(x, y) =
T
(x)
P
(y)
Introduccin a la lgica difusa
Relaciones Difusas Binarias (cont)
Es posible expresar la relacin difusa en un matrix R de
R
(x, y).
Ejemplo:
Si X = {x
1
, x
2
, x
3
}, Y = {y
1
, y
2
}, entonces R :
R=
[
x1 , y1 x1 , y2
x2 , y1 x2 , y2
x3 , y1 x3 , y2
]
Introduccin a la lgica difusa
Composicin de Relaciones Difusas
Las relaciones difusas se usan en sistemas de inferencia
difusa (e.g. if X then Y)
Para combinar las relaciones difusas se usan operaciones
de composicin
max-min propuesta por Zadeh
max-product
Introduccin a la lgica difusa
Composicin de Relaciones Difusas (cont)
Definicin: Si R
1
y R
2
son dos relaciones difusas definidas en
X Y e Y Z respectivamente. La composicin max-min de
R
1
y R
2
es un set difuso definido como:
R1 R2
(x, z)
= max
y
min[
R1
(x, y),
R2
(y, z)]
Definicin: Si R
1
y R
2
son dos relaciones difusas definidas en
X Y e Y Z respectivamente. La composicin max-
product de R
1
y R
2
es un set difuso definido como:
R1 R2
(x, z)
= max
y
[
R1
(x, y)
R2
(y, z)]
Introduccin a la lgica difusa
Composicin de Relaciones Difusas (cont)
En general se tiene max-* en la cual * es un operador de
T-norma
R R
y
R R
x z x y y z
1 2 1 2
( , ) [ ( , ) * ( , )]
Introduccin a la lgica difusa
Reglas IF-THEN difusas:
Una regla IF-THEN difusa es de la forma
IF x is A THEN y is B
En la cual A y B son variables lingsticas definidas por sets
difusos en los universos X e Y. La parte IF x is A es llamada
el antecedente o premisa, mientras la parte THEN y is B es
la consecuencia o conclusin
Ejemplos:
If presion es alta, then volumen es pequeo.
If carretera esta mojada, then manejar es peligroso.
Introduccin a la lgica difusa
Reglas IF-THEN pueden usar variables difusas linguisticas
Ejemplos:
complv.m
Introduccin a la lgica difusa
Operaciones sobre variables difusas linguisticas
Concentration:
Dilatation:
Contrast Intensification:
CON A A ( )
2
DIL A A ( )
.
0 5
INT A
A x
A x
A
A
( )
, ( ) .
( ) , . ( )
'
2 0 05
2 05 1
2
2
intensif.m
Introduccin a la lgica difusa
Reglas IF-THEN difusas (cont):
Si se quiere utilizar la regla IF x is A THEN y is B (A B)
entonces se puede definir la regla como una relacin binaria
difusa R en el espacio X Y.
R puede ser visto como un set difuso con una funcin de
pertenencia:
R
(x, y) = f(
A
(x),
B
(y))
La funcin de implicacin difusa f convierte los grados de
pertenencia individuales a grados de pertenencia de (x, y).
Introduccin a la lgica difusa
Reglas IF-THEN difusas (cont):
Basado en la interpretacin de (A B) A coupled with B o
A y B ambos estn entonces las cuatro funciones T-norm se
usan para resolver la relacin R
R
min
(a,b) = min(a, b) = A B (minimo)
R
ap
(a,b) = ab (producto algebraico)
R
bp
(a,b) = 0 (a+ b-1) (producto limitado)
R
dp
(a,b) = a if b=1, (producto drastico)
= b if a=1,
= 0 if a,b < 1
Introduccin a la lgica difusa
Reglas IF-THEN difusas (cont):
Basado en la interpretacin de (A B) A implies B o
A implica B (NOT A OR B) se pueden utilizar otras funciones:
Bounded sum
Max-min composition
Boolean fuzzy implicacin
Gougen's fuzzy implication (Jang. p62)
Introduccin a la lgica difusa
Maneras de Interpretar Reglas IF-THEN difusas:
A coupled with B
A
B
x
y
A coupled with B
A
B
x
y
A
B
A entails B
y
x
A
B
A entails B
y
x
Introduccin a la lgica difusa
A coupled with B:
R A B
x y f x y f a b ( , ) ( ( ), ( )) ( , )
fuzimp.m
Introduccin a la lgica difusa
A entails B (not A or B):
fuzimp.m
Introduccin a la lgica difusa
Razonamiento difuso:
El Modus Ponens en reglas de lgica tradicional indica que
podemos inferir la verdad de la proposicin B basados en la
verdad de A y en la implicacin A B:
premisa 1 (input): x es A
premisa 2 (regla): if x es A then y is B,
consecuencia: y es B
El proceso de razonamiento difuso utiliza el Modus Ponens
Generalizado (GMP):
premisa 1 (input): x es A'
premisa 2 (regla): if x es A then y is B,
consecuencia: y es B'
Introduccin a la lgica difusa
Razonamiento difuso (cont):
Definicin: Razonamiento aproximado, si A, A', y B son sets
difusos de X, X e Y respectivamente. Asumiendo que (A B)
se expresa como una relacin R en X Y.
Entonces el set difuso inducido por x es A' y la regla difusa
if x is A then y is B se define como:
B'
(y)
= max
x
min[
A'
(x),
R
(x,y)]
Introduccin a la lgica difusa
Razonamiento difuso (cont):
De la regla anterior:
B'
(y)
= max
x
min[
A'
(x),
R
(x,y)]
Si se usa las funciones de implicacin de Mamdani y la
regla de composicin max-min entonces:
B'
(y)
= max
x
[(
A'
(x)
A
(x))
B
(y)]
A
X
w
A B
Y
x is A
B
Y
A
X
y is B
T-norm
Introduccin a la lgica difusa
Razonamiento difuso (cont):
En casos con mas variables usando GMP:
premisa 1 (input): x is A' and y is B'
premisa 2 (regla): if x is A and y is B then z is C,
consecuencia c is C'
A B
T-norm
X Y
w
A B C2
Z
C
Z
X Y
A B
x is A y is B z is C
Introduccin a la lgica difusa
Razonamiento con dos reglas:
Premisas: x is A and y is B
Regla 1: if x is A1 and y is B1 then z is C1
Regla 2: if x is A2 and y is B2 then z is C2
Conclusion: z is C
A1 B1
A2 B2
T-norm
X
X
Y
Y
w1
w2
A
A B
B C1
C2
Z
Z
C
Z
X Y
A B
x is A y is B z is C
Introduccin a la lgica difusa
Contenidos
Conceptos y definiciones bsicos de la lgica difusa
Sets difusos y funciones de membresa
Operaciones sobre sets difusos
Inferencia usando lgica difusa
Introduccin a la lgica difusa
Inferencia usando lgica difusa:
La computacin usando inferencia basada en logica difusa
es un metodo de computo popular
Hay muchas aplicaciones en areas como control,
clasificacin, sistemas expertos, robotica y reconocimiento
de patrones
El sistema de inferencia difuso se conoce por muchos
nombres como: sistema difuso de reglas, sistema experto
difuso, modelo difuso, logica asociativa difusa, controlador
difuso
Introduccin a la lgica difusa
Sistemas de inferencia usando lgica difusa:
El sistema de inferencia difuso consiste de tres
componentes conceptuales:
reglas difusas,
diccionario (con funciones de pertenencia),
mecanismo de raciocinio
Input Reglas Output
Introduccin a la lgica difusa
Sistemas de inferencia usando lgica difusa (cont):
Tipicamente los controladores se relacionan con el mundo
externo a traves de valores exactos (no difusos)
velocidad controlador flujo de gasolina
Si el controlador usa logica difusa va a ser necesario
alguna conversion
Introduccin a la lgica difusa
Sistemas de inferencia usando lgica difusa (cont):
Esto se denomina fuzzificacion y defuzzificacion.
input
exacto
fuzzificador
controlador
difuso
defuzzificador
output
exacto
Introduccin a la lgica difusa
Ejemplo: Controlador Mamdani usando lgica difusa
Usando la lgica difusa y la teora de razonamiento
aproximada introducida por Zadeh es posible crear un
controlador basado en esta logica
La forma tradicional de las leyes de control con
autorregulacin (feedback) es:
u(k) = f(e(k), e(k-e),...,e(k-v), u(k-1), u(k-2), ..., u(k-v))
e es el error entre el punto de control w y el output y
C es el controlador y S es el sistema siendo controlado
La idea es disear C que minimiza el error (e=w-y) en el
tiempo
w
e
C S
u y
Introduccin a la lgica difusa
Controlador de lgica difusa (cont):
El controlador de lgica difuso (Fuzzy Logic Controler)
utiliza leyes de control consistentes en reglas lgicas
IF...THEN en conjunto con funciones de pertenencia
difusas para controlar un proceso y minimizar el error
Los conjuntos y los operadores difusos son los sujetos y
predicados de la lgica difusa. Las reglas lgicas IF-
THEN son usadas para formular las expresiones
condicionales que usan la lgica difusa
Introduccin a la lgica difusa
Mamdani FLC (Fuzzy Logic Controler) :
El Mamdani FLC fue propuesto por Mamdani y Assilian en
1974, este FLC utiliza el error e(k) y el cambio de error
e(k) para producir cambios en la funcin de output del
controlador (puede ser (k) o (k))
e(k) = w(k) y(k)
dx x f
xdx x f
Centroide
) (
) (
n
i
i
n
i
i i
x f
x x f
Centroide
0
0
) (
) (
Introduccin a la lgica difusa
Mamdani FLC (Fuzzy Logic Controler) (cont) :
Ejemplo de defuzificacion usando el centroide:
En forma discreta con 10 muestras:
+ +
+ +
10
1 . 6
1 . 6
1 . 4
1 . 4
0
10
1 . 6
1 . 6
1 . 4
1 . 4
0
8 .
10
5 . 0
8 .
10
5 . 0
dx dx
x
dx
xdx xdx
x
xdx
Cg
8 . 8 . 8 . ) 10 / 6 ( ) 10 / 5 ( 5 . 5 . 5 . 5 . 5 .
8 . 9 8 . 8 8 . 7 ) 10 / 6 ( 6 ) 10 / 5 ( 5 5 . 4 5 . 3 5 . 2 5 . 1 5 . 0
+ + + + + + + + +
+ + + + + + + + +
Cg
Introduccin a la lgica difusa
Ejemplo Mamdani FLC (Fuzzy Logic Controler):
(El siguiente ejemplo proviene del sitio web de la Seattle Robotics Society)
Este ejemplo es un sistema de control de temperatura...
Introduccin a la lgica difusa
Ejemplo Mamdani FLC (Fuzzy Logic Controler) (cont):
En el ejemplo se quiere minimizar el error entre el Cmd y Temp
Error: Cmd - Temp (+ cold, - hot)
dE/dT: (+ heating, - cooling)
Out: Heat, NO CHANGE or COOL
Introduccin a la lgica difusa
Ejemplo Mamdani FLC (Fuzzy Logic Controler) (cont):
Variables linguisticas usadas en el ejemplo:
"N" = "negative" error or error-dot input level (input negativo)
"Z" = "zero" error or error-dot input level (input zero)
"P" = "positive" error or error-dot input level (input positivo)
"H" = "Heat" output response (output es calentar o Heat)
"-" = "No Change" to current output (output es ningun cambio
o No Change)
"C" = "Cool" output response (output es enfriar o Cool)
Introduccin a la lgica difusa
Ejemplo (cont):
Inputs:
- E = Cmd-Temp
- dE/dT
Matriz:
E=N: Negative (hot)
dE/dT= N: Negative (cooling)
Output: C o Cool
Introduccin a la lgica difusa
Ejemplo (cont): e(k)= -1.0F (Hot), e(k) = +2.5 F (Heating)
Funcin de pertenencia del input e (error):
e(k)= -1.0F
e
neg
(-1) = 0.5, e
zero
(-1) = 0.5
y e
positive
(-1) = 0
Funcin de pertenencia de input e:
e(k) = +2.5 F
e
negative
(2.5) = 0,
e
zero
(2.5) = 0.5 y e
pos
(2.5) = 0.5
Introduccin a la lgica difusa
Ejemplo Mamdani FLC (Fuzzy Logic Controler) (cont):
Pasos 1 y 2: Encontrar nivel de disparo y output en todas las reglas e y e
Paso 3: Obtener funciones del pertenencia del output:
"Error" selecciona reglas 1,2,4,5,7,8, "error-dot" reglas 4 a 9.
Agregar outputs usando producto lgico (AND) para obtener las reglas que
se activan (interseccin en rojo)... se activaron 4, 5, 7, 8 (grado de disparo
o degree of firing)
1. If (e < 0) AND (e < 0) then u(k)=Cool (0.5 & 0.0 = 0.0)
2. If (e = 0) AND (e < 0) then u(k)=Heat (0.5 & 0.0 = 0.0)
3. If (e > 0) AND ( e < 0) then u(k)=Heat (0.0 & 0.0 = 0.0)
4. If (e < 0) AND (e = 0) then u(k)=Cool (0.5 & 0.5 = 0.5)
5. If (e = 0) AND (e = 0) then u(k)=No_Chng (0.5 & 0.5 = 0.5)
6. If (e > 0) AND (e = 0) then u(k)=Heat (0.0 & 0.5 = 0.0)
7. If (e < 0) AND (e > 0) then u(k)=Cool (0.5 & 0.5 = 0.5)
8. If (e = 0) AND (e > 0) then u(k)=Cool (0.5 & 0.5 = 0.5)
9. If (e > 0) AND (e > 0) then u(k)=Heat (0.0 & 0.5 = 0.0)
Introduccin a la lgica difusa
Ejemplo Mamdani FLC (Fuzzy Logic Controler) (cont):
Paso 4: Defuzificar usando algoritmo de RSS-Centroide
para obtener un valor exacto que es el prximo output
para calentar o enfriar el ambiente controlado...
Calcular fuerza (strength) de las reglas usando Root Sum Squared (RSS):
"negative" = (R
1
2
+ R
4
2
+ R
7
2
+ R
8
2
)
1/2
= (0
2
+ 0.5
2
+ 0.5
2
+ 0.5
2
)
1/2
= 0.866 (Cooling)
"zero" = (R
5
2
)
1/2
= (0.5
2
)
1/2
= 0.500 (No Change)
"positive" = (R
2
2
+ R
3
2
+ R
6
2
+ R
9
2
)
1/2
= (0
2
+ 0
2
+ 0
2
+ 0
2
)
1/2
= 0 (Heating)
Calcular RSS-Centroide:
OUTPUT = (neg_center * neg_strength + zero_center * zero_strength +
pos_center * pos_strength) / (neg_strength + zero_strength + pos_strength)
(-100 * 0.866 + 0 * 0.500 + 100 * 0.000)/ (0.866 + 0.500 + 0.000) = 63.4%
n
i
i
n
i
i i
x f
x x f
Centroide
0
0
) (
) (
Introduccin a la lgica difusa
Ejemplo (cont):
La coordenada horizontal se toma como el valor exacto. En este ejemplo el valor
de -63.4% (63.4% Enfriando) parece lgico ya que el e = +2.5 input
(Error-dot=+2.5) indica que el calor todava se esta incrementando (Heating).
Introduccin a la lgica difusa
Sistemas de inferencia usando lgica difusa (cont):
El ejemplo anterior es basado en un modelo de inferencia
difuso llamado el modelo Mamdani
Otro modelo utilizado es el modelo Sugeno (tambin
conocido como modelo Takagi, Sugeno, Kang o TSK)
Un tercer modelo es el modelo Tsukamoto
Cada modelo tiene caractersticas especificas que lo
hacen mas ameno a ser usado en una implementacin
dependiendo del problema a resolver
Introduccin a la lgica difusa
Sistemas de inferencia usando lgica difusa (cont):
La principal diferencia entre los modelos es en las
consecuencias de las reglas y en los mtodos de
agregacin y defuzificacion
input
exacto
fuzzificador
controlador
difuso:
reglas if then
agregacin
defuzzificador
output
exacto
Introduccin a la lgica difusa
El modelo Mamdani:
Fue uno de los primeros mtodos de control difuso
obtenidos basados en la experiencia de operadores
humanos
En el modelo Mamdani se pueden usar diferentes
operadores (siempre que sean T-norm o T-conorm)
Introduccin a la lgica difusa
Variantes de T-norm y T-conorm en modelos Mamdani:
Para implementar un modelo Mamdani hay que asignar un
operador basado en las operaciones seleccionadas:
AND: (usualmente T-norm) para calcular la fuerza de disparo de
una regla con antecedentes que usan AND
OR: (usualmente T-conorm) para calcular la fuerza de disparo de
una regla con antecedentes que usan OR
Implicacin: (usualmente T-norm) para calcular consecuentes
Agregacin: (usualmente T-conorm) para agregar consecuentes y
generar una funcin de pertenencia del output
Defuzificacion: para transformar la funcin de pertenencia (output
difuso) a un output exacto
Introduccin a la lgica difusa
Union e Interseccin de lgica difusa (A B, A B) (cont) :
Cuatro posibles operadores T-norm:
T
min
(a,b) = min(a, b) = A B (minimo)
T
ap
(a,b) = ab (producto algebraico)
T
bp
(a,b) = 0 (a+ b-1) (producto limitado)
T
dp
(a,b) = a if b=1, (producto drastico)
= b if a=1,
= 0 if a,b < 1
Introduccin a la lgica difusa
Union e Interseccin de lgica difusa (A B, A B) (cont) :
Cuatro posibles operadores T-conorm:
S(a,b) = max(a, b) = A B (maximo)
S(a,b) = a+b-ab (suma algebraico)
If x is A
1
and y is B
1
then z is C
1
If x is A
2
and y is B
2
then z is C
2
T-norm = min
T-conorm = max
Introduccin a la lgica difusa
El modelo Mamdani II:
If x is A
1
and y is B
1
then z is C
1
If x is A
2
and y is B
2
then z is C
2
T-norm = product
T-conorm = max
Introduccin a la lgica difusa
Mtodos de defuzzificacion usados en Mamdani:
Centroid (Centroid o COA)
Bisector de un Area (BOA)
Mas pequeo, medio, mximo de un mximo (SOM,
MOM, LOM)
Introduccin a la lgica difusa
Modelo Mamdani de tres reglas con un input y un output:
Usando composicin max-min, defuzificacion centroide
If X is small then Y is small
If X is medium then Y is medium
If X is large then Y is large
Introduccin a la lgica difusa
Mamdani de cuatro reglas con dos input y un output:
Usando composicin max-min, defuzificacion centroide
If X is small and Y is small then Z is negative large
If X is small and Y is large then Z is negative small
If X is large and Y is small then Z is positive small
If X is large and Y is large then Z is positive large
Introduccin a la lgica difusa
El modelo Sugeno:
Otro modelo desarrollado para la inferencia difusa, utiliza
una funcin como consecuente:
If x is A and y is B then z = f(x, y)
Z = f(x, y) es una funcin exacta en el consecuente
f(x, y) es un polinomio
Si f(x, y) es constante el modelo Sugeno es de orden
zero
Si f(x, y) es de primer orden el modelo Sugeno es de
orden uno
Introduccin a la lgica difusa
El modelo Sugeno (cont):
En el modelo Sugeno no es necesaria la defuzificacion,
ya que cada regla tiene un output exacto, alternativas son:
Promedio ponderada de cada regla
If x is A
1
and y is B
1
then z is C
1
If x is A
2
and y is B
2
then z is C
2
Introduccin a la lgica difusa
Modelo Tsukamoto con tres reglas un input y un output
(cont):
If X is small then Y is C
1
If X is medium then Y is C
2
If X is large then Y is C
3
Introduccin a la lgica difusa
Modelamiento difuso:
La idea del modelamiento difuso es dividir (particin) los posibles
valores de input (antecedentes)
Los consecuentes pueden ser funciones de pertenencia
(Mamdani y Tsukamoto), valores constantes (Sugeno de orden
zero) o funciones lineares (Sugeno)
Los diferentes consecuentes resultan en diferentes sistemas de
inferencia pero los antecedentes son los mismos
Introduccin a la lgica difusa
Modelamiento difuso: Mtodos de particin del input:
a) Grid partition: dividir el espacio del input en celdas de igual
tamao e igual distribucin
Sufre de un problema de dimensionalidad
Ej: Modelo con 3 inputs y 2 funciones (large, small) de
pertenencia por input: A, B, C 2
3
= 8 reglas,
Modelo con 4 inputs y 3 funciones de pertenencia (large,
medium, small) por input:
A, B, C, D 3
4
= 81 reglas, ...
Introduccin a la lgica difusa
Modelamiento difuso: Mtodos de particin del input (cont)
b) Tree partition: dividir el espacio de bsqueda en celdas de diferente
tamao y basado en la logica de un rbol
No tiene el problema exponencial de grid partition
Muchas veces el significado de las variables no es tan generico
linguisticamente como en Grid (no es tan ortogonal)
Usado en el algoritmo CART (Jang. Ch14)
Introduccin a la lgica difusa
Modelamiento difuso: Mtodos de particin del input (cont)
c) Scatter partition: no cubrir el espacio de bsqueda completo si no
que solo un subconjunto de este
La particin es decidida por especficos pares de datos de
input-output
El significado de las variables no es generico linguisticamente
No es ortogonal y hay traslapado posible
Introduccin a la lgica difusa
Modelamiento difuso: reglas generales
Tipicamente un sistema difuso tiene que replicar (o mejorar) el
accionamiento de un sistema de control existente:
Un operador a cargo de un proceso en una planta qumica
Un operador a cargo de un tren del metro
Un operador a cargo de monitorear una linea del metro
Un medico especialista en cierto diagnostico
etc
El sistema difuso se convierte en un sistema experto en el cual las
reglas que utiliza son dictadas por la logica que utiliza el experto
original (reglas conocimiento del dominio del problema)
Cuando solo se tienen pares de datos de input output entonces
se pueden usar mtodos para identificar el sistema y modelarlo
(datos numricos conocimiento del dominio del problema)
Introduccin a la lgica difusa
Modelamiento difuso: pasos
Pasos iniciales:
Seleccionar variables relevantes de input y output
Elegir un tipo especifico de sistema de inferencia
Determinar el numero de trminos lingsticos (basados en
variables)
Disear una coleccin de reglas if-then difusas
Despus de estos pasos iniciales tipicamente se desea mejorar el
modelo:
Elegir funciones de pertenencia correctamente parametrizadas
Mejorar las reglas y los parmetros de la funciones de
pertenencia
Refinar los parmetros de las funciones de pertenencia usando
mtodos de optimizacin (Ej. Gradiente, GA, GP,...)
Introduccin a la lgica difusa
Referencias:
[1] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control,
Wiley Interscience, NY, 1994
[2] Kartalopoulos, S., Understanding Neural Networks and Fuzzy
Logic, IEEE PRESS, NY, 1994
[3] Jang, J., et al, Neuro-Fuzzy and Soft Computing, Prentice
Hall,1997
[4] www.seattlerobotics.org