Introduccion A La Logica Difusa

Introduccin a la Lgica Difusa
Toms Arredondo Vidal

26/6/09
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
Por ejemplo se considera a una persona como alta si
mide mas de 1.80mts, pero de igual forma se considera
a una persona como alta si mide 1.7999mts
Esta consideracin no existe en la logica tradicional que
utiliza demarcaciones estrictas para determinar
pertenencia en sets:
Ejemplo: A es el set clsico de personas altas
A = { x | x > 1.8}
Una persona que mide 1.799999mts es baja!

Introduccin (cont)
La logica difusa es una extension de la logica tradicional
(Booleana) que utiliza conceptos de pertenencia de sets
mas parecidos a la manera de pensar humana
El concepto de un subset difuso fue introducido por L.A.
Zadeh en 1965 como una generalizacin de un subset
exacto (crisp subset) tradicional.
Los subsets exactos usan lgica Booleana con valores
exactos como por ejemplo la lgica binaria que usa
valores de 1 o 0 para sus operaciones.

Introduccin (cont)
La lgica difusa no usa valores exactos como 1 o 0 pero
usa valores entre 1 y 0 (inclusive) que pueden indican
valores intermedios (Ej. 0, 0.1, 0.2, ,0.9,1.0, 1.1, etc)
La lgica difusa tambin incluye los valores 0 y 1
entonces se puede considerar como un superset o
extensin de la lgica exacta.

Contenidos

Set difuso
Asumiendo que X es un set, un set difuso A en X es
asociado con una funcin caracterstica:
A
(x)
A
(x): X -> [0, 1]
La funcin caracterstica es tipicamente denominada
funcin de pertenencia (membership function).

Set difuso (cont)
Si X es una coleccin de objetos en el cual x X, un set

difuso es un mapa
F
(x) : X -> [0, ], en el cual a cada
valor x la funcin
F
(x) le asigna un numero entre los
valores 0 a .
El set difuso es el set de pares ordenados:
A = {(x,
A
(x)) | x X}

Set difuso (cont)
Ejemplos discretos y continuos:
A = {(0, 0.1), (1, 0.5), (2, 1), (3, 0.1), (4,0.8)}
B = {0.1/0, 0.5/1, 1/2, 0.1/3, 0.8/4}
C = {(x,
C
(x)| x X},
C
(x) = 1 / (1 + (x/10 - 5)
4
)
X = {0, 1, 2, 3, 4, 5, 6, 7} es el set de hijos que puede
tener una familia, entonces el set difuso D es el numero
razonable de hijos que puede tener una familia
D = { (0, 0.1), (1, 0.3), (2, 0.7), (3, 1), (4, 0.7),
(5, 0.3), (6, 0.2), (7, 0.1) }

Funcin de pertenencia (o membresa)
El valor asignado por

F
(x) corresponde al grado en el
cual el valor x tiene el atributo F.
Visto de otra manera la funcin

F
(x) nos indica cual es
el grado de pertenencia de x al atributo F.
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

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

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

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

Otros sets difusos (cont):
s
(x)
x
s
(x)
x
1
1
Hay muchas posibilidades de como representar un set difuso.

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

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

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

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

Gausiana
2
2
1
) , ; (

,
_

c x
e c x
Gausiana
Ej:
Gausiana
(x; 3, 1)

Gausiana
2
2
1
) , ; (

,
_

c x
e c x
Gausiana
Ej:
Gausiana
(x; 3, y)

Bell b
Bell
a
c x
c b a x
2
| | 1
1
) , , ; (
+

Ej:
Bell
(x; 2, 1, 3)

Bell b
Bell
a
c x
c b a x
2
| | 1
1
) , , ; (
+

Ej:
Bell
(x; 1, y, 3)

Bell b
Bell
a
c x
c b a x
2
| | 1
1
) , , ; (
+

Ej:
Bell
(x; y, 1, 3)

Sigmoide:
) (
1
1
) , , ; (
c x a
e
c b a x sigmf

+
disp_sig.m

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

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)

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

Funciones de membresa en 2D:
2dmf.m

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 +

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}

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.

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, ..., }

Definiciones de los sets difusos (cont):
MF
X
.5
1
0
Core
Crossover points
Support
- cut

Contenidos

Operaciones en sets difusos:
Definicin: Asumiendo que A y B son dos sets difusos
de X, la union de A y B es un set difuso C = A B,
en el cual C(x) = Max[A(x), B(x)]
Definicin: Asumiendo que A y B son dos sets difusos de
X, la interseccin de A y B es un set difuso C = A B,
en el cual C(x) = Min[A(x), B(x)]
Definicin: El complemento relativo de B con respecto a A
es E = A B en el cual E(x) = Max[0, A(x) B(x)]

Operaciones en sets difusos (cont):
Definicin: La suma limitada (bounded sum) de A y B,
Definicin: El complemento o negacin de A,
denominado es el set , entonces para
cualquier x en
Definicin: La doble negacin de A es igual a A.
)] ( ) ( , 1 [ ) ( , x B x A Min x C B A C +
A(x) 1 (x) A
A
A X A

subset.m
fuzsetop.m

N a
a
sa
s
( )

+
1
1
Complemento
Requerimientos:
Borde: N(0)=1 and N(1) = 0
Monotonicidad: N(a) > N(b) if a < b
Involucin: N(N(a)) = a
Dos tipos:
Sugenos complement:
Yagers complement:
N a a
w
w w
( ) ( )
/
1
1

Complemento
N a
a
sa
s
( )

+
1
1
N a a
w
w w
( ) ( )
/
1
1

Extensiones cilndricas:
Base set A Cylindrical Ext. of A
cyl_ext.m

Proyecciones:
Two-dimensional
MF
Projection
onto X
Projection
onto Y
R
x y ( , )

A
y
R
x
x y
( )
max ( , )
B
x
R
y
x y
( )
max ( , )
project.m

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

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

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

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

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)

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

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.

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)

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

Minimum:
Tm(a, b)
Algebraic
product:
Ta(a, b)
Bounded
product:
Tb(a, b)
Drastic
product:
Td(a, b)
tnorm.m

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))

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)
S(a,b) = 1 (a + b) (suma limitada)

S(a,b) = a if b=0, (suma drastica)
= b if a=0,
= 1 if a,b > 0

Maximum:
Sm(a, b)
Algebraic
sum:
Sa(a, b)
Bounded
sum:
Sb(a, b)
Drastic
sum:
Sd(a, b)
tconorm.m

Ley de De Morgan:
T(a, b) = N(S(N(a), N(b)))
S(a, b) = N(T(N(a), N(b)))
B A B A
B A B A

) (
) (
Tm(a, b)
Ta(a, b)
Tb(a, b)
Td(a, b)
Sm(a, b)
Sa(a, b)
Sb(a, b)
Sd(a, b)

T-norma y T-conorma Parametrizadas
Varios investigadores han propuesto versiones
parametrizadas de T-norma y T-conorma
Yager
Schweizer and Sklar
Dubois and Prade
Hamacher
Frank
Sugeno
Dombi

Principio de Extensin
El principio de extensin nos da un mecanismo bsico para
extender las expresiones matemticas de sets exactos al
dominio difuso.
Este principio generaliza la idea de un mapeo punto a punto
de una funcin en sets tradicionales y=f(x) a un mapeo entre
conjuntos difusos.

Principio de Extensin (cont)
Si f es una funcin Y = f(X) y A es un set difuso sobre X
definido como:
A = {
A
(x
1
)/x
1
,
A
(x
2
)/x
2
, ... ,
A
(x
n
)/x
n
}
Entonces el principio de extensin indica que la imagen del
set A bajo la funcin f( ) es el set difuso B:
B = f(A) = {
B
(y
1
)/y
1
,
B
(y
2
)/y
2
, ... ,
B
(y
n
)/y
i
}
en el cual y
i
= f(x
i
) y
B
(y) = max
A
(x)

Principio de Extensin (cont)
Ejemplo:
Si A = {0.1/-2, 0.4/-1, 0.8/0, 0.9/1, 0.3/2}
y f(x) = x
2
- 3
Entonces aplicando el principio de extensin tenemos que:
B = {0.1/1, 0.4/-2, 0.8/-3, 0.9/-2, 0.3/1}
= {0.8/-3, (0.4 0.9) /-2, (0.1 0.3)/1}
= {0.8/-3, 0.9/-2, 0.3/1}

Relaciones Difusas
Relaciones difusas binarias son mapas difusos en X Y

que mapean cada elemento en X Y a una sola funcin
de pertenencia (entre 0 y 1 inclusive).
Las relaciones difusas no solo pueden ser binarias si no
que pueden ser generalizadas a n variables
Definicin: El producto Cartesiano de dos sets exactos
(X Y) es un set consistente de todos los pares (x, y) donde
x X, y Y.

Relaciones Difusas Binarias (cont)
Definicin: Una relacin difusa sobre un par X, Y se define
como el set difuso del producto Cartesiano X Y
Ejemplo: Relacin difusa discreta
Si X = {a, b, c}, Y = {1, 2}, entonces
A = {0.1/(a, 1), 0.6/(a, 2), 0.9/(b, 1), 1/(b,2), 0/(c,1), 0.2/(c,2)}
es una relacin difusa sobre el espacio X Y.
R x y x y x y X Y
R
{(( , ), ( , ))|( , ) }

Definicin: Si existen un par de sets difusos A y B su
producto cruce (cross product) Cartesiano A B es una
relacin difusa T sobre el set A B, T = A B donde
T(x, y) = Min[A(x), B(y)]
Ejemplo:
Si A = {1/a, 0.6/b, 0.3/c}, B = {1/1, 0.5/2, 0/3} son dos subsets
difusos, entonces,
A = { 1/(a, 1), 0.5/(a, 2), 0/(a, 3), 0.6/(b,1), 0.5/(b,2),
0/(b,3), 0.3/(c,1), 0.3/(c,2), 0/(c,3)}

Relaciones Difusas Binarias (cont):
Ej: X: variable que indica el tamao de una casa, Y: variable que
indica el precio de una casa
Tamao
(x): tamao atractivo para familia de cuatro personas (mts)
Tamao
(x) =
Gausiana
(x; 100; 2)

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)

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)

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
]

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

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)]

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
( , ) [ ( , ) * ( , )]

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.

Reglas IF-THEN pueden usar variables difusas linguisticas
Ejemplos:
complv.m

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

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).

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
R
bp
R
dp
= b if a=1,
= 0 if a,b < 1

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)

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

A coupled with B:
R A B
x y f x y f a b ( , ) ( ( ), ( )) ( , )
fuzimp.m

A entails B (not A or B):
fuzimp.m

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'

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)]

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

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

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

Contenidos

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

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

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

Esto se denomina fuzzificacion y defuzzificacion.

input
exacto
fuzzificador
controlador
difuso
defuzzificador
output
exacto

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

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

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)
e(k) = e(k) e(k 1)
u(k) = F(e(k), e(k)) o
u(k) = F(e(k), e(k))

e(k) se define como el punto de control menos el output:
Si e(k) > 0 entonces w(k) > y(k)
Si e(k) > 0 entonces e(k) > e(k-1)


Mamdani FLC (Fuzzy Logic Controler) (cont) :
0. If e = positivo and e = aprox zero then u = positivo
1. If e = negativo and e = aprox zero then u = negative
2. If e = aprox zero and e = aprox zero then u = aprox zero
3. If e = aprox zero and e = positivo then u = positivo
4. If e = aprox zero and e = negativo then u = negativo
1
-.5 0 .5 1 -1
negativo
zero
positivo
Funcines de pertenencia (e), (e), (u):


Otra manera de definir las reglas del controlador es usando la matriz:
P P Z
P
P Z N
Z
Z N N
N
P Z N
e(k)
e(k)
Valores de la funcin de
pertenencia de input e(k)
pertenencia de input e(k)
pertenencia de output u(k)

Los siguientes son los pasos para el funcionamiento del controlador:
Usando el valor del antecedente de cada una de las reglas (IF...)
Determinar la consecuencia (THEN ...) de cada una de las reglas
Agregar todos los outputs de las reglas para obtener el output de
todo el sistema (este es una o mas funcines de pertenencia
difusa), tambin se llama determinar el grado de disparo de todas
las reglas (degree of firing)
Defuzificar el output para obtener un valor exacto, se pueden usar
varios mtodos como el COA (centroide) o el MOM

Defuzificacion usando el centroide:
En forma discreta:
dx x f
xdx x f
Centroide
) (
) (
n
i
i
n
i
i i
x f
x x f
Centroide
0
0
) (
) (

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

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...

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

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)

Ejemplo (cont):
Inputs:
- E = Cmd-Temp
- dE/dT
Matriz:
E=N: Negative (hot)
dE/dT= N: Negative (cooling)
Output: C o Cool

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

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)

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
) (
) (

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).

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

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

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)

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

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
T
bp
T
dp
= b if a=1,
= 0 if a,b < 1

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)
S(a,b) = 1 (a + b) (suma limitada)

S(a,b) = a if b=0, (suma drastica)
= b if a=0,
= 1 if a,b > 0

El modelo Mamdani (original):
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

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

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)

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

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

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

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
Suma ponderada de cada regla (z' = w

1
z
1
+ w
2
z
2
)

El modelo Sugeno (cont):
El output continuo del modelo Sugeno de orden zero
depende de que las funciones de pertenencia de los
antecedentes estn suficientemente traslapados

Modelo Sugeno con antecedentes exactos y difusos:
Consideren un modelo Sugeno de un input:
If X is small then Y = 0.1x + 6.4
If X is medium then Y = -0.5x + 4
If X is large then Y = x - 4

Modelo Sugeno con cuatro reglas, dos inputs y un output:
If X is small and Y is small then Z = -x + y + 1
If X is small and Y is large then Z = -y + 3
If X is large and Y is small then Z = -x + 3
If X is large and Y is large then Z = x +y + 3

Modelo Tsukamoto:
En este modelo la funcin consecuente es un set difuso con
una funcin monotonica:
If x is A and y is B then z is C
El output de cada regla se define como un valor exacto
inducido por la fuerza de disparo de cada regla
Cada regla tiene un output exacto
Este metodo no necesita defuzificacion ya que agrega los
outputs exactos de cada regla usando el promedio
ponderado

Modelo Tsukamoto con dos reglas dos inputs y un output:
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

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

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

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, ...

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)

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

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)

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,...)

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

Introduccion A La Logica Difusa

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Introduccion A La Logica Difusa

Uploaded by

Copyright:

Available Formats

Introduccin a la Lgica Difusa

Toms Arredondo Vidal

Si X es una coleccin de objetos en el cual x X, un set

El valor asignado por

Visto de otra manera la funcin

Introduccin a la lgica difusa

S(a,b) = 1 (a + b) (suma limitada)

Relaciones difusas binarias son mapas difusos en X Y

e(k) = e(k) e(k 1)

u(k) = F(e(k), e(k)) o

u(k) = F(e(k), e(k))

Si e(k) > 0 entonces e(k) > e(k-1)

Funcines de pertenencia (e), (e), (u):

S(a,b) = 1 (a + b) (suma limitada)

Suma ponderada de cada regla (z' = w

You might also like