Sistemas Expertos Basados en Lgica Difusa.

M.Ing. Lic. Matilde I. Csari

Aplicacin de la teora de lgica difusa en el diseo de Sistemas Basados en Conocimiento.

INTRODUCCIN

Los primeros desarrollos de la Inteligencia Artificial (IA) consistan en tcnicas muy generales que producan resultados espectaculares sobre pequeos problemas de prueba importancia del conocimiento y su representacin, en la resolucin de problemas

Uno de los grandes xitos de la IA reciente ha sido el desarrollo de los llamados Sistemas Expertos (SE).

INTRODUCCIN
SE Rene y representa los conocimientos preciso de expertos humanos en un rea
especfica ms poderoso

si permite incluir grados de certeza en las relaciones y afirmaciones inherentes a ese conocimiento

El conocimiento incierto e impreciso requiere su representacin mediante la lgica difusa

Lo difuso puede entenderse como la posibilidad de asignar diferentes valores de verdad y no solamente los clsicos falso o verdadero.

para representar tanto la incertidumbre (grado de creencia) como la imprecisin (grado de adecuacin)

En un conjunto difuso a cada elemento se le asocia un grado de pertenencia al conjunto, en el intervalo [0,1].

INTRODUCCIN
El desarrollo de la ingeniera es fundamental el anlisis de la incertidumbre e imprecisin asociada con los fenmenos reales y con la percepcin, interpretacin y modelamiento de la

realidad
USO DE LA LGICA DIFUSA

sistemas confiables,
econmicos y seguros

INTRODUCCIN

Qu es un Sistema Experto?

Un S.E. es un sistema informtico que incorpora una componente basada en el conocimiento, que se obtiene a partir de la habilidad de un experto humano, de forma que el sistema puede dar consejos o tomar decisiones inteligentes, y es capaza de justificar/explicar las mismas

INTRODUCCIN

SISTEMAS DE IA: exhiben conducta inteligente, simulando capacidadesde la inteligencia humana. SBC: Procesan conocimiento, separando el conocimiento sobre el dominio (informacin, datos) de como manejarlo (resolucin de
problemas).

SE: incorporan conocimiento experto, que tiene unas caractersticas que lo diferencian del conocimiento general. Un S.E. es un SBC (lo inverso necesariamente no es cierto).
se ocupa del estudio de la adquisicin del conocimiento, su representacin y la generacin de inferencias sobre ese conocimiento para realizar una tarea concreta

Ingeniera del conocimiento

INTRODUCCIN
Ingeniera del Conocimiento VS Ingeniera del Software
Programas: Sentencias sobre datos que se
realizan en un orden predeterminado. Solucin nica Para el usuario el programa es una caja negra Programas = Estructuras de Datos + Algoritmos

SBC: Se distingue el conocimiento del dominio de la estrategia de control

Esto permite la incorporacin de ms conocimiento sin manipular la estructura global del sistema Se pueden obtener varias soluciones El programa puede explicar como llega a su solucin.

SBC = Conocimiento + Control

Tareas SISTEMA EXPERTO

Tarea: Tipo de problema del mundo real (conjunto de problemas que admiten la misma estructura de resolucin, independiente del dominio y del mtodo de resolucin) Sntesis: Clasificacin, diagnstico Tareas abordadas Anlisis: Planificacin, diseo o modelado
Las reas de aplicacin son muy variadas !!! Los SBC abordan problemas complejos en dominios especficos.

Tareas SISTEMA EXPERTO

DATO INFORMACION - CONOCIMIENTO

los DATOS, una vez asociados a un objeto y estructurados se convierten en INFORMACIN La INFORMACIN asociada a un contexto y a una experiencia se convierte en CONOCIMIENTO
son generalizacion es y abstracciones realizadas sobre datos e informaciones son los elementos sintcticos no estructurados y de contexto libre que denotan hechos y conceptos sobre un estado de casos.

conjunto de datos relacionados y estructurados dentro de un contexto que les aporta significado

El CONOCIMIENTO asociado a una persona y a una serie de habilidades personales se convierte en SABIDURA
conciernen bsicamente, al aspecto de utilizacin de la informacin en general

El CONOCIMIENTO es una mezcla de experiencia, informacin y saber hacer que acta como marco para la incorporacin de nuevas experiencias y guia la accin.

TIPO DE CONOCIMIENTO
Conocimiento preciso: cuando lo hayamos extrado mediante especificacin, de un conjunto de datos e informaciones que son completos y determinados. Conocimiento impreciso: cuando lo hayamos extrado mediante generalizacin, de un conjunto de datos o informaciones incompletos o infradeterminados; siendo la imprecisin una cuestin de grado. Conocimiento cierto: cuando lo hayamos extrado mediante deduccin, de un conjunto de datos e informaciones que consideramos que son verdaderos. Conocimiento incierto: cuando lo hayamos extrado mediante induccin, de un conjunto de datos e informaciones que no sabemos si son verdaderos, solo
confiamos en que lo sean; siendo la incertidumbre una cuestin de grado

Si una persona a travs de la expresin lingstica de un conocimiento es capaz de aprenderlo, esto quiere decir, que ese conocimiento esta incluido en el significado de la expresin. Y si eso es as, una buena forma de representar ese conocimiento es representando el significado de su expresin en el lenguaje

Lgica borrosa: representar el significado de proposiciones del lenguaje

ARQUITECTURA SISTEMA EXPERTO

DESARROLLO SISTEMA EXPERTO

Las metodologas software estn ms apoyadas en el proceso de datos, mientras que la Ingeniera del Conocimiento es un proceso del conocimiento.

Dos aproximaciones
Prototipado:
Es el mtodo ms popular para el desarrollo de SBC Depende mucho ms de la involucracin de los usuarios Necesidad de comprobar el comportamiento del sistema segn se desarrolla Adquisicin del conocimiento y desarrollo del software se pueden combinar en el prototipado Problemas: Desarrollo ad hoc e indisciplinado

Estructurado:
KADS (Knowledge Acquisition and Design process): Metodologa de modelado, con una fase rigurosa de anlisis antes del diseo El prototipado se utiliza para exprimentar, no como metodoga

DESARROLLO SISTEMA EXPERTO

Entornos y Herramientas para el Desarrollo

ARQUITECTURA SISTEMA EXPERTO

Separa los conocimientos almacenados (base de conocimiento) del programa que los controla (motor de inferencia). Los datos propios de un determinado problema se almacenan en una base de datos aparte (base de hechos).
facilidad de ampliar o depurar el conocimiento que posee el sistema, sin tener que modificar el algoritmo de inferencia

ARQUITECTURA SISTEMA EXPERTO

Base de Conocimiento:
Conocimiento del experto sobre el dominio de aplicacin: Hechos del dominio. / Relaciones de conocimiento. Reutilizable y Permanente

Base de hechos (Trabajo):

Retractable / Dinmica. Representa: representa el conocimiento del estado del sistema en un cierto instante. Integrada de forma diferenciada en la BC. No integrada en BC: Bases de Datos.

Tcnicas de Representacin del Conocimiento: Conocimiento Factual (Hechos). Conocimiento Normativo (Reglas): Conocimiento Procedural.

ARQUITECTURA SISTEMA EXPERTO

Motor Inferencia
Sistema de encadenamiento inferencial. Mecanismo de control del espacio de soluciones.
Utiliza la base de conocimiento y de hechos combinndolas y fusionndolas, para realizar una serie de razonamientos acerca del problema en cuestin. Funciona como un supervisor, extrae conclusiones a partir de los datos simblicos que estn almacenados en las bases de hechos y de conocimiento. Dependen en gran medida de la representacin elegida

Control Inferencial

Resolucin de conflictos en el espacio de bsqueda Complejidad de premisas Peso de las reglas Combinacin: peso, complejidad Mayor frecuencia ltima utilizada Metarreglas (Cmo utilizar el conocimiento):
Priorizacin de reglas Exclusin de reglas Cambio encadenamiento

ARQUITECTURA SISTEMA EXPERTO

Justificacin / Explicacin
explica al usuario la estrategia de solucin encontrada y el por qu de las decisiones tomadas.
Cmo se tom o no cierta decisin? Cuando, cmo y por qu se utiliza una informacin determinada? Qu decisin se tomo ante un subproblema?

Interfaz con el usuario.

permite la comunicacin entre el usuario y el sistema experto.

Adquisicin del Conocimiento - Interfaz desarrollo

el ingeniero del conocimiento o el experto del tema puede construir inicialmente el sistema o actualizar el conocimiento de la base de conocimientos en general. Permite incorporar los hechos y las reglas al sistema y probar y depurar los cambios realizados. por medio de ste se pueden realizar actividades relacionadas con la configuracin del sistema, especficamente del motor de inferencia, de acuerdo con las necesidades del usuario

10

FORMALISMOS DE REPRESENTACION
PREMISA FUNDAMENTAL DE IA:

Para que un sistema informtico demuestre un comportamiento inteligente en la solucin de problemas, debe poseer : gran cantidad de conocimientos un potente mecanismo de razonamiento.

IMPORTANCIA DE UNA ADECUADA REPRESENTACION DEL CONOCIMIENTO

Una REPRESENTACIN DEL CONOCIMIENTO en IA es una combinacin de estructuras de datos , que nos permiten representar mediante un formalismo conocimientos; asociadas con mecanismos interpretativos que nos permiten manipular el conocimiento representado a fin de crear soluciones a problemas nuevos.

FORMALISMOS DE REPRESENTACION
Representacin: Modelado de un sistema Modelo Conceptual Adquisicin del conocimiento

Conceptos y relaciones

No computable

Mtodos de resolucin

Modelo Formal

Representa simblicamente y organiza el conocimiento. Determina el mecanismo de inferencia adecuado.

Semicomputable

11

FORMALISMOS DE REPRESENTACION
Representacin: Modelado de un sistema Modelo Computable Bases de Conocimiento Mecanismos de inferencia Mecanismos de control

Operacional
Las tareas de adquisicin y modelado son difciles y costosas.

Existen esquemas de representacin tiles en dominios variados.

Los Sistemas Basados en Conocimiento los combinan.

FORMALISMOS DE REPRESENTACION
DISTINTOS FORMALISMOS
FORMALISMOS LOGICOS Lgica de Predicados de primer orden SISTEMAS DE PRODUCCION Sistemas de Reglas lgicas FORMALISMOS ESTRUCTURADOS: Redes Semnticas Frames o Marcos SISTEMAS BASADOS EN LGICA DIFUSA

Cada formalismo de representacin usa un

mtodo de inferencia especco

Resolucin, SLD-resolucin Razonamiento hacia a delante y hacia atrs Herencia

12

FORMALISMOS DE REPRESENTACION
Sistemas de produccin o basados en Reglas

Utilizan elementos de la LGICA Salen del marco estrictamente formal ms flexibles ms eficientes Pierden propiedades fundamentales como la consistencia y completitud.
Un SISTEMA DE PRODUCCIN es un modelo de cmo los humanos llegan a la solucin de un determinado problema donde las situaciones del mismo se contienen en la memoria de corta duracin y se combinan con las producciones de la memoria de larga duracin para inferir nueva informacin que ser aadida a la memoria temporal.

FORMALISMOS DE REPRESENTACION
Sistemas de produccin o basados en Reglas

BASE DE CONOCIMIENTO
Base de Hechos Base de Reglas

Motor de Inferencias

13

FORMALISMOS DE REPRESENTACION
Sistemas de produccin o basados en Reglas

Sistemas de produccin o basados en Reglas Inferencia en Sistemas de Reglas

Observacin R1: Si temperatura ambiente > 20C Y humedad relativa >65% Entonces es probable que haya tormentas Misma conclusin con prdida de informacin (hace calor, atmsfera hmeda) que puede ser til a la hora de deducir nuevo conocimiento

14

RAZONAMIENTO APROXIMADO
Se pueden encontrar los siguientes tipos de incertidumbre
(Torres y Tranchita, 2004).

resultados y de la ocurrencia de resultados y de la ocurrencia de 1) el determinismo; los eventos los eventos 2) la aleatoriedad - incertidumbre; No existe incertidumbre No existe incertidumbre 3) la ambigedad - imprecisin; 4) la vaguedad los posibles eventos resultantes de un los posibles eventos resultantes de un experimento son conocidos pero no 5) la confusin experimento son conocidos pero no

conocimiento perfecto de los conocimiento perfecto de los

El conjunto que se El conjunto que se especifica no esta especifica no esta bien definido. bien definido. hace imposible hace imposible establecer la establecer la verdad o falsedad verdad o falsedad de una afirmacin de una afirmacin Por ejemplo:Juan Por ejemplo:Juan es joven". es joven".

tenemos seguridad en la aparicin o no tenemos seguridad en la aparicin o no de un cierto fenmeno o resultado. de un cierto fenmeno o resultado. una afirmacin que puede ser una afirmacin que puede ser verdadera o farsa verdadera o farsa Por ejemplo: maana llovera". Por ejemplo: maana llovera".

falta de informacin falta de informacin los eventos no estn especificados o definidos los eventos no estn especificados o definidos claramente claramente El valor de una variable se encuentra en un conjunto El valor de una variable se encuentra en un conjunto de valores pero no se puede precisar cual es. de valores pero no se puede precisar cual es. Por ejemplo: Juan tiene entre 20 y 25 aos". Por ejemplo: Juan tiene entre 20 y 25 aos".

incertidumbre de conflicto, que rene caractersticas tanto ambiguas como vagas incertidumbre de conflicto, que rene caractersticas tanto ambiguas como vagas

RAZONAMIENTO APROXIMADO

Informacin incierta (en lugar de simplemente CIERTO o FALSO) o imprecisa-vaga (en vez de conjuntos clsicos, o predicados de primer orden). La representacin y razonamiento sobre conocimiento incierto o impreciso da lugar al razonamiento aproximado (inexacto o plausible).

Se necesita ampliar la base de la lgica clsica a fin de poder representar y tratar informacin con dichas caractersticas

15

RAZONAMIENTO APROXIMADO Incertidumbre: Grado de certeza del conocimiento

Imprecisin: Grado de precisin del conocimiento

Problemticas
Representacin del conocimiento incierto / impreciso Combinacin de datos inciertos/imprecisos Propagacin de la incertidumbre / imprecisin desde las premisas a la conclusin.

RAZONAMIENTO APROXIMADO
Tcnicas de Resolucin Incertidumbre:

Mtodos Probabilsticos
Basadas en Teora de la probabilidad: punto de partida para el desarrollo de modelos que manejan incertidumbre en SE basados en reglas.
Modelo de Probabilidades Subjetivas, desarrollado para el SE PROSPECTOR. Modelo de factores de certeza, diseado por E.H. Shortlife y Buchanan con el propsito de tratar con informacin incierta en el SE MYCIN. Redes Bayesianas

Mtodos Posibilsticos
Basadas en la Lgica difusa de Zadeh

Tcnicas de Resolucin Imprecisin:

Lgica difusa de Zadeh

Definicin de conjuntos (conceptos, predicados) difusos y extensin de las reglas de inferencia.
Razonamiento difuso

16

RAZONAMIENTO APROXIMADO

Fuzzy vs Probabilidad

Ambos son definidos en un intervalo [0,1]

Trata con la imprecisin y vaguedad

Fuzzy Probabilidad Trata con la

A(x) pA(x)

incertidumbre

Mide el grado de creencia de que el x pertenece al conjunto A, no hay conocimiento previo y nos interesa el grado en que x pertenece a A
La pertenencia difusa representa similitud entre objetos con propiedades definidas imprecisamente de manera que determinarn un grado de verdad que solo cambiar si se cambia el mundo

Mide nuestro conocimiento o ignorancia de la verdad de que x pertenece al conjunto A,

La probabilidad nos da informacin acerca de frecuencias relativas de forma que determinan un grado de creencia que cambiar al contar con nuevas evidencias

La probabilidad de que la calle est mojada es de 0.5 y de que no lo est de 0.5 Es verdad? Si o no

La creencia 0.5 significa que la calle esta medio mojada Cul es el grado de verdad?

RAZONAMIENTO APROXIMADO

Fuzzy vs Probabilidad

17

LOGICA DIFUSA Borrosidad: imprecisin o vaguedad de la informacin

Definicin de conceptos o categoras con cierto grado de imprecisin o vaguedad en los mismos. Ausencia de criterios claramente definidos para determinar la pertenencia a una clase o una categora dada Ejemplo
Un da puede resultar nublado todo el tiempo pero nunca llegar a llover. Otro da puede llover durante unos poco minutos pero estar soleado durante la mayor parte del da. En otra ocasin puede estar lloviendo insistentemente durante todo el da Puede estar lloviznando gran parte del da.

Dados estos ejemplos, qu es un da lluvioso?.

LOGICA DIFUSA

(Zadeh, 1979)

Generalmente en la vida cotidiana, las palabras frecuentemente son utilizadas para describir variables.
Por ejemplo: Hoy hace calor, o la temperatura es alta hoy, se utiliza la palabra alta para describir la variables temperatura hoy. Juan es Joven, se utiliza la palabra joven para describir la variables altura de Juan.

La idea principal es representar la imprecisin contenida en proposiciones como: Juan es Joven Mediante una medida del grado de pertenencia de Juan a un Conjunto Difuso Joven. Cuando una variable toma palabras en lenguaje natural como sus valores, es llamada variable lingstica. Donde las palabras son caracterizadas por conjuntos difusos definidos en el universo de discurso en el cual la variable es definida

18

LOGICA DIFUSA
Ejemplo:
La velocidad de un carro es una variable x que toma valores en el intervalo [0, Vmax], donde Vmax es la mxima velocidad del carro. Se definirn tres conjuntos difusos: baja, media, y rpida en [0, Vmax].

Si x es una variable lingstica, entonces se puede tomar baja, media y rpida como sus valores Por lo que, se puede decir que x es pequea, x es mediana, y x es rpida.
Por su puesto, x tambin puede tomar nmeros en el intervalo [0, Vmax] como sus valores, por ejemplo, x = 50 mph, 35 mph, etc

LOGICA DIFUSA
En la literatura de la teora difusa, una definicin formal de una variable lingstica es la propuesta y empleada por Zadeh

Una variable lingstica es caracterizada por (X, T, U, M) donde:

X es el nombre de la variable lingstica;

en el ejemplo, X es la velocidad del carro.

T es el conjunto de valores lingsticos que X puede tomar;

en el ejemplo, T = {baja, media, rpida}.

U es el dominio fsico actual en el cual la variable lingstica X

toma sus valores cuantitativos (crisp); en el ejemplo, U = [0, Vmax]. M es una regla semntica que relaciona cada valor lingstico en T con un conjunto difuso en U; en el ejemplo, M relaciona baja, media, rapida con las funciones de membresa mostradas en la Figura

19

LOGICA DIFUSA
Las variables lingsticas son los elementos ms fundamentales en la representacin del conocimiento humano. Por ejemplo, cuando se utiliza una pistola radar para medir la velocidad de los carros sta entrega nmeros como, 39K/h, 42K/h, etc.; cuando se le pregunta a una persona que diga cual es la velocidad de un carro, el/ella con frecuencia dice en palabras algo como es rpida, es baja, etc Al introducir el concepto de variable lingstica, se pueden formular descriptores vagos en lenguaje natural en trminos matemticos precisos.

LOGICA DIFUSA

El Conjunto Difuso (o valor lingstico) se define mediante la funcin de pertenencia de cada uno de sus miembros.
Una funcin de pertenencia es bsicamente una curva donde un valor de entrada ser mapeado a un valor de membresa al conjunto difuso
La funcin de pertenencia 'induce' una distribucin de posibilidad para cada valor

20

LOGICA DIFUSA

LOGICA DIFUSA
Los tres componentes bsicos 1. Eje x (Nro. Reales crecientes) que constituyen el dominio del conjunto difuso 2. Eje y con valores entre 0 y 1 que significa grado de pertenencia al conjunto 3. Funcin de Pertenencia (superficie) del conjunto, que conecta un elemento
del dominio con su grado de pertenencia.

21

LOGICA DIFUSA
El grado de pertenencia no es una probabilidad, pero en ocasiones se utiliza la probabilidad para establecer una medida de pertenencia. Puede ser definido como la medida de compatibilidad de un objeto con el concepto representado por un conjunto difuso Por ejemplo, si Carlos tiene 50 aos y se dice que su grado de pertenencia al conjunto de los jvenes es de 0,3 esto quiere decir que 0,3 es la compatibilidad de Carlos con la definicin del conjunto difuso de los jvenes, y NO es la probabilidad de Carlos de ser joven Ejemplo:
Sea U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10}, entonces los conjuntos definidos a continuacin son difusos: POCOS = (1/1, 0.9/2, 0.8/3, 0.4/4) VARIOS = (0.5/3, 0.8/4, 1/5, 1/6, 0.8/7, 0.5/8) MUCHOS=(0.4/6, 0.6/7, 0.8/8, 0.9/9, 1/10) Note que el elemento 4 pertenece en grado 0.4 al conjunto POCOS, en grado 0.8 al conjunto VARIOS y en grado 0.0 a MUCHOS.

LOGICA DIFUSA
En la actualidad son usados distintos tipos de funciones de pertenencia

Funcin de transferencia para un conjunto DIFUSO TRIANGULAR

Funcin de transferencia para un conjunto DIFUSO TRAPEZOIDAL Funcin de transferencia para un conjunto CRISP intervalo y signoidal

Funcin de transferencia para un conjunto DIFUSO GAUSSIANO

22

LOGICA DIFUSA

Propiedades de un Conjunto Difuso

La altura de un conjunto difuso A = el mayor valor de su funcin de pertenencia Un cierto conjunto difuso es normal si su altura fuera igual a 1

soporte = conjunto de todos los

elementos de X que tienen un nivel de pertenencia estrictamente mayor que 0

ncleo (kernel) = conjunto de todos los elementos de X que tienen un nivel de pertenencia con grado 1
El conjunto difuso cuyo soporte es un nico punto, como valor de (x)=1, es llamado de conjunto singleton El universo de discusin es el espacio difuso completo de variaciones de una variable o modelo

El conjunto -cuto punto de corte es una restriccin (limite) impuesta al dominio, basado en el valor de . Contiene todos los elementos del dominio que posean (x) arriba de un cierto valor .

El dominio del conjunto difuso es el universo total de valores posibles para los elementos del conjunto entonces depende del contexto

LOGICA DIFUSA
Operaciones sobre los conjuntos difusos

23

LOGICA DIFUSA

T-normas y S-normas

Algunos de los operadores que acabamos de ver, como la mininterseccin, por ejemplo, pertenecen a una clase general de operadores llamados normas triangulares (T-normas), mientras que otros, como la suma limitada, pertenencen a la clase general de las llamadas conormas triangulares (o S-normas).

t-normas (interseccin), t-conormas (unin)

Hay muchos operadores funcionales que satisfacen las condiciones para ser t-normas y t-conormas No hay, por tanto, una nica forma de combinar nmeros difusos

LOGICA DIFUSA

T-normas y S-normas

24

LOGICA DIFUSA

T-normas y S-normas

LOGICA DIFUSA

Modificadores

25

SISTEMAS SE BASADOS EN LOGICA DIFUSA

En la actualidad, una de las reas de aplicacin ms importantes de la Teora de Conjuntos Difusos la componen los Sistemas Basados en

Reglas Difusas
Este tipo de sistemas constituyen una extensin en los Sistemas Basados en Reglas que hacen uso de la Lgica Clsica puesto que emplean reglas del tipo Si-entonces en las que los antecedentes y consecuentes estn compuestos por proposiciones difusas en lugar de proposiciones clsicas

Sistema Basado en Reglas en el que la Lgica Difusa puede ser empleada tanto como herramienta para representar distintas formas de conocimiento sobre el problema a resolver, como para modelar las interacciones y relaciones existentes entre las variables del mismo.

SISTEMAS SE BASADOS EN LOGICA DIFUSA

26

SISTEMAS SE BASADOS EN LOGICA DIFUSA

Esquemas de RAZONAMIENTO APROXIMADO intentan reproducir los esquemas mentales del cerebro humano en el proceso de razonamiento.
Base de Conocimientos: Contiene por una parte el conjunto de reglas del sistema (base de reglas) y la base de datos, donde se definen las funciones de pertenencia a los conjuntos difusos utilizados en la base de reglas.

Interfaz de desborrosificacin: Interfaz de borrosificacin:

Transforma un valor numrico representativo de una magnitud cualquiera en un grado de pertenencia a cualquiera de los conjuntos difusos definidos en la base de datos. Convierte los resultados difusos de la inferencia en valores numricos nuevamente.

Unidad de toma de decisiones o Motor de Inferencia: Realiza las operaciones de

inferencia a partir de las reglas.

SISTEMAS SE BASADOS EN LOGICA DIFUSA

1 Borrosificar
calcula el grado de pertenencia que podra tener una entrada crisp a una o a varias funciones de pertenencia de una variable lingstica

Es el proceso en el cual un valor rgido tomado del mundo exterior es

mapeado dentro de un conjunto difuso para obtener un valor difuso

2 Reglas Difusas

Es la base de conocimiento, las reglas lingsticas de control y la informacin referente a las funciones de pertenencia de los conjuntos difusos

Las reglas difusas combinan uno o ms conjuntos difusos de entrada, llamados antecedentes o premisas, y las asocian a un conjunto difuso de salida llamado consecuente. Estas reglas son las que permiten expresar el conocimiento que se dispone sobre la relacin entre antecedentes y consecuentes

27

SISTEMAS SE BASADOS EN LOGICA DIFUSA

3 Inferencia Difusa
Permite convertir una entrada difusa en una salida difusa operaciones bsicas implicacin

relaciones difusas

composicin

operaciones de composicin

operaciones agregacin

La interpretacin de una regla SI-Entonces involucra dos pasos, el primero es evaluar el antecedente mediante la aplicacin de cualquier operador difuso y el segundo paso es la implicacin o la aplicacin del resultado del antecedente al consecuente. Se trata de evaluar la activacin de una regla (activacin del consecuente) en funcin del grado de cumplimiento del antecedente. Para realizar dicha tarea se usan operadores de composicin de conjuntos difusos

SISTEMAS SE BASADOS EN LOGICA DIFUSA

3 Inferencia Difusa
1. Emparejar Antecedentes y Entradas: Para cada REGLA se calcula el grado de emparejamiento entre cada proposicin atmica de su antecedente y el valor correspondiente de la entrada. 2. Grado de Activacin o Agregacin de los Antecedentes: Para cada REGLA se calcula el Grado de Activacin aplicando una conjuncin (t) o disyuncin (s) segn corresponda a los valores anteriores del Paso 1. 3. Resultado de cada Regla: Para cada REGLA se calcula su valor resultante segn su Grado de Activacin y la semntica elegida para la Regla. Este es el paso ms largo y complejo: Para cada valor en las Salidas se debe calcular el mayor valor de la operacin, para todos los posibles valores de las Entradas (operacin supx). 4. Regla de Combinacin: Agregacin de todos los resultados individuales obtenidos de cada una de las reglas aplicadas. En la agregacin de reglas, las salidas de cada una de las reglas se combinan para obtener un nico conjunto difuso C. Las entradas del proceso de agregacin son las funciones de pertenencia truncadas obtenidas de la etapa de inferencia para cada una de las n-reglas. El operador de agregacin ms utilizado es mximo

28

SISTEMAS SE BASADOS EN LOGICA DIFUSA

6 Desborrosificar
se obtiene un valor ntido o concreto (crisp) a partir del conjunto difuso de salida de la agregacin

mapeo de un espacio difuso a un valor no difuso

SISTEMAS SE BASADOS EN LOGICA DIFUSA

Modelos Difusos

Clasificacin de los sistemas difusos desde el punto de vista de la representacin del conocimiento

Mamdani (Mamdani y Assilian, 1975). Tsukamoto (Tsukamoto, 1979). Sugeno (Takagi y Sugeno, 1985).

Principal diferencia

El consecuente de las reglas usado para representar el conocimiento disponible.

29

SISTEMAS SE BASADOS EN LOGICA DIFUSA

Modelo difuso de MAMDANI
El consecuente en las reglas del modelo es de tipo difuso.

Modelo difuso de TSUKAMOTO

La salida de cada regla se define como un valor simple generado por el nivel de activacin de la regla

SISTEMAS SE BASADOS EN LOGICA DIFUSA

30

SISTEMAS SE BASADOS EN LOGICA DIFUSA

Modelo difuso de SUGENO o TSK.

SISTEMAS SE BASADOS EN LOGICA DIFUSA

31

Diseo de un Sistema Difuso

1. Identificacin del tipo de problema y el tipo de sistema difuso que mejor se ajusta a los datos. 2. Definicin de variables de entrada y salida, sus valores difusos y sus funciones de pertenencia (borrosificacin o parametrizacin de variables de entrada y salida). 3. Definicin de la base de conocimiento o reglas difusas. 4. Obtencin de salidas del sistema mediante la informacin de las variables de entrada utilizando el sistema de inferencia difuso, el cual utiliza operadores de composicin. 5. Traslado de la salida difusa del sistema a un valor ntido o concreto mediante un sistema de defusificacin. 6. Ajuste del sistema validando los resultados

Herramienta software Xfuzzy

Xfuzzy es un entorno de diseo que facilita la especificacin y verificacin de sistemas difusos, as como su implementacin final. Los mdulos integrados en Xfuzzy estn basados en el lenguaje XFL proceso de desarrollo edicin del sistema experto, utilizando las facilidades grficas ofrecidas por el entorno Definicin de las variables de entrada pertinentes con sus tipos de conjuntos borrosos adecuados Establecimiento de las reglas que gobernarn el funcionamiento del sistema sntesis software a cdigo Java obtenida la lgica de funcionamiento del sistema experto encapsulada en cdigo Java, incrustacin de este en una aplicacin Java

32

APLICACION DE SE DIFUSOS
Por medio de las variables lingsticas y usando conjuntos difusos para su representacin, el programador puede traducir dichas variables para poder introducirlas directamente a un programa, implementando la funcin de pertenencia que las define. Esta clase de entendimiento humano-mquina, es particularmente importante ya sea para sistemas expertos o bien para procesos de control. Actualmente existen un amplio abanico de aplicaciones programadas en lenguaje natural.

APLICACION DE SE DIFUSOS
Listan las principales aplicaciones basados en software con lgica borrosa

33

Herramienta software Xfuzzy

SEB Deteccin de Anomalas
Enrique Lpez Gonzlez, Carlos Cao Alegre, David Senz Tagarro, Iago Trancn Barros Management Intelligent Systems Group http://sicodinet.unileon.es Technical Report #MISYG-2004-03

Aplicaciones

SEB Deteccin de Intrusos

Enrique Lpez Gonzlez y Cristina Mendaa Cuervo Departamento de Direccin y Economa de la Empresa, Universidad de Len Facultad de CC. EE. y Empresariales

Procesado de Imgenes Basado en Reglas problema de la extraccin de bordes

Iluminada Baturone Piedad Brox Rosario Arjona Instituto de Microelectrnica de Sevilla, (IMSE-CNM-CSIC) y Dpto. Electrnica y Electromagnetismo, Universidad de Sevilla (Espaa)
procesamiento imagenes

Control Difuso de un Semforo sistema de inferencia difuso

Daniel Montenegro Arenas, Matilde Santos Peas, Luis Garmendia Salvador Universidad Complutense de Madrid. Facultad de Informtica. Facultad de Ciencias Fsicas.
semaforo

Sistema de Riego Inteligente Borroso sistema de inferencia difuso

Mara Guijarro Mata-Garca, Estefana Tortajada Agudo, Riego Fernando Gonzlez Rivas Inteligente Borroso Universidad Complutense De Madrid. Sistemas Informticos Curso 2006-2007

APLICACION DE SE DIFUSOS
Diagnstico de fallos en sistemas industriales basado en razonamiento borroso Tesis doctoral
Julio Csar Ramrez Valenzuela UNIVERSIDAD POLITECNICA DE VALENCIA, 20 de abril de 2007.

diagnstico de fallos

SEB Determinar Perfiles Criminolgicos basado

en el Test de Lscher y Variables Socio-Criminolgicas
Christian Cardona, Est., Diana Restrepo, Est., Demetrio Ovalle, PhD UNIVERSIDAD POLITECNICA DE VALENCIA, 20 de abril de 2007.
Perfiles Criminolgicos

Estudio de la Aplicacin de Sistemas Basados en el Conocimiento a la Operacin de una Planta de Tratamiento de Residuos Slidos Urbanos por
valorizacin energtica
Xavier LLAUR FBREGAS Universidad de Girona. Departament Denginyeria Qumica Agraria I Tecnologies Agroalimentries ISBN: 84-688-1294-3 Dipsit legal: GI-92-2003
Tratamiento de Residuos

34

APLICACION DE SE DIFUSOS

Sistemas borroso:
Son una de las ms nuevas aplicaciones de la lgica difusa. El conocimiento es entonces expresado por medio de variables lingsticas, conjuntos y reglas difusas.

Ejemplo de proceso inferencial difuso:

Desarrollo de un SEB para la Deteccin de Anomalas

Enrique Lpez Gonzlez, Carlos Cao Alegre, David Senz Tagarro, Iago Trancn Barros Technical Report #MISYG-2004-03 July, 2004

La deteccin de anomalas puede ser especialmente til para prevenir ataques

APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas Qu es un detector?
cualquier programa capaz de procesar informacin en tiempo real, informacin
deteccion anomalias

normalmente a bajo nivel como trfico o eventos de sistema y lanzar alertas ante la localizacin de situaciones previamente definidas
La definicin de estas situaciones se puede hacer de dos formas:

A travs de patrones, o reglas definidas por el usuario A travs de grados de anomala

Medicin de la capacidad de un detector

Sensibilidad, o la capacidad de anlisis, en profundidad y complejidad, que posee nuestro detector a la hora de localizar un posible ataque. Fiabilidad, como su nombre indica es el grado de certeza que nos ofrece nuestro detector ante el aviso de un posible evento.

35

APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas Variables relacionadas con las dificultades de los detectores en relacin con su sensibilidad y fiabilidad Falsos Positivos. La falta de fiabilidad en nuestros detectores es
el causante de los falsos positivos, es decir alertas que realmente no corresponden con ataques reales. Falsos Negativos. La incapacidad de deteccin implicara que un ataque es pasado por alto.

APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas LOS OBJETIVOS DEL SISTEMA
El sistema tomar como variables de entradas parmetros caractersticos de la supuesta anomala detectada por otros mdulos El sistema permitir definir tambin como entrada el nivel de seguridad que se desea para el sistema, de forma que una misma anomala pueda recibir diferente tratamiento segn el nivel de seguridad que se establezca, es decir,
una anomala puedae ser considerada un ataque en un nivel de seguridad Alto, y puede considerarse una operacin normal en un nivel de seguridad Bajo.

El nivel de seguridad del sistema quedar definido en funcin del grado de fiabilidad y sensibilidad establecida. El sistema devolver 2 variables de salida:
1. La probabilidad de que la anomala seleccionada (que en nuestro caso ser descrita a travs de las opciones de interfaz que se detallen) sea realmente un ataque a la seguridad del sistema. Si la probabilidad de que la anomala sea un ataque al sistema es mayor del 50%, entonces se indicar la probabilidad de que el ataque sea un falso positivo. Si la probabilidad de que la anomala sea un ataque al sistema es menor del 50%, entonces se indicar la probabilidad de que el ataque sea un falso negativo.

2.

36

APLICACION DE SE DIFUSOS
SEB para la Deteccin de Anomalas PRINCIPALES VARIABLES DE ENTRADA

los parmetros que determinan si las entradas definen un ataque al sistema los determinaremos durante el desarrollo

APLICACION DE SE DIFUSOS
SEB calificar sensorialmente vino
evaluacion sensorial difusa

Ejemplo de proceso inferencial difuso:

Estudio y aplicacin de Sistema de Evaluacin Difusa Sensorial en Vino Malbec Mendocino

Matilde Ins Csari 1, Santiago Eduardo Sari XIII Congreso Latinoamericano de Viticultura y Enologa - Chile

aplicacin de sistemas de inferencia difusa para calificar las muestras a partir de las percepciones de los jueces
La Evaluacin Sensorial trabaja con paneles constituidos por personas que proporcionan la informacin percibida por los sentidos, se considera que el aparato sensorial humano muestra grados de variacin de sensibilidad de persona a persona y que la sensibilidad puede depender de circunstancias externas o del medio, por ende, este tipo de informacin implica subjetividad. Una aproximacin ms realista consiste en expresar sus percepciones modelando la informacin sensorial por medio de variables lingsticas difusas

37

CONCLUSIONES

La lgica difusa evita la rigidez del razonamiento matemtico convencional y la programacin de ordenadores. Por otro lado, los conjuntos difusos simplifican la tarea de traducir entre el razonamiento humano, que es intrnsecamente elstico, y el tipo de operacin rgida que las computadoras realizan. Esta clase de entendimiento humano-mquina, es particularmente importante ya sea para sistemas expertos o bien para procesos de control. Finalmente, lo ms significativo es que los conjuntos difusos permiten a las computadoras o mquinas usar el tipo de conocimiento humano que llamamos sentido comn.

38