Capitulo 1

Marco Terico

CAPITULO 1 Marco Terico

1.1 Antecedentes

propias del ser humano; es evidente que las computadoras que posean una inteligencia a nivel humano (o superior) tendrn repercusiones muy importantes en nuestra vida diaria. La Inteligencia Artificial es una de las disciplinas ms nuevas, formalmente se inicia en 1956 cuando se acu este trmino, sin embargo el estudio de la inteligencia contemplada como el razonamiento humano viene siendo estudiado por los filsofos hace ms de 2 milenios. Cuando se aplican algoritmos a la solucin de los problemas aunque no se est actuando inteligentemente si esta siendo eficaz pero los problemas realmente complicados a los que se enfrenta el ser humano son aquellos en los cuales no existe algoritmo conocido as que surgen de reglas que tratan de orientarnos hacia las soluciones llamadas heursticas en las cuales nos garantiza que la aplicacin de una de estas reglas nos acerque a la solucin como ocurre con los anteriores. La Inteligencia Artificial es la rama de la informtica que desarrolla procesos que imitan a la inteligencia de los seres vivos; la principal aplicacin de esta ciencia es la creacin de mquinas para la automatizacin de tareas que requieran un comportamiento inteligente. Algunos ejemplos se encuentran en el rea de control de sistemas, planificacin automtica, sistemas para diagnstico y consulta de los consumidores,

a inteligencia artificial trata de conseguir que las computadoras emulen la inteligencia humana. Se acude a sus tcnicas cuando es necesario incorporar en un sistema informtico, conocimiento o caractersticas

Capitulo 1

Marco Terico

reconocimiento de escritura, reconocimiento del habla y reconocimiento de patrones, los sistemas de la Inteligencia Artificial actualmente son parte de la rutina en campos como economa, medicina, ingeniera y la milicia, entre otros se ha usado en gran variedad de aplicaciones de software, como, juegos de estrategia y videojuegos. El proceso mediante el cual se construye una base de conocimientos es conocido como ingeniera del conocimiento. Un ingeniero del conocimiento es aquel que realiza investigaciones en un dominio en particular y crea una representacin formal de los objetos y relaciones del dominio [2]. La mayora de los programas de aprendizaje estn orientados a la experiencia o a los datos, el objetivo del trabajo en el aprendizaje orientado a la experiencia es descubrir cmo pueden aprender los programas de la misma forma en que las personas normalmente lo hacen; o sea, razonando acerca de las nuevas experiencias a la luz del conocimiento del sentido comn [3]. Un sistema de ordenadores que trabaje con tcnicas de inteligencia Artificial deber estar en situacin de combinar informacin de forma inteligente, alcanzar conclusiones y justificarlas (al igual que el resultado final). Con la aplicacin de tcnicas de Inteligencia Artificial finaliza la transicin del procesamiento de datos al procesamiento de conocimientos. La expresin Inteligencia Artificial suele referirse a la simulacin computacional de procesos cognitivos; los trabajos que se han desarrollado en inteligencia artificial abarcan diversas reas de investigacin, tales como la simulacin de capacidades perceptales y habilidades psicomotoras (robtica), la comprensin del lenguaje natural, y la construccin de sistemas informticos capaces de emular la pericia de un experto humano en un mbito de conocimiento determinado. [5] Hoy en da en el Instituto Tecnolgico de Len, existe un rea dedicada a la investigacin de la Inteligencia Artificial en donde se han desarrollado eficientemente sistemas inteligentes en diferentes mbitos de la tecnologa, los cuales son una pauta para el desarrollo de la presente investigacin.
2

Capitulo 1

Marco Terico

Por otro lado, tambin existe la Lgica Difusa o Lgica Borrosa que es una rama de la Inteligencia Artificial, que se funda en el concepto de todo es cuestin de grado, lo cual permite manejar informacin vaga o de difcil especificacin si quisiramos hacer cambiar con esta informacin el funcionamiento o el estado de un sistema especfico, es entonces posible con la lgica borrosa gobernar un sistema por medio de reglas de sentido comn las cuales se refieren a cantidades indefinidas. Las reglas involucradas en un sistema de lgica difusa, pueden ser aprendidas con sistemas adaptativos que aprenden al observar como operan las personas los dispositivos reales, o estas reglas pueden tambin ser formuladas por un experto humano, en general la lgica borrosa se aplica tanto a sistemas de control como para modelar cualquier sistema continuo de ingeniera, fsica, biologa o economa. La lgica difusa es entonces definida como un sistema matemtico que modela funciones no lineales, que convierte unas entradas en salidas acordes con los planteamientos lgicos que usan el razonamiento aproximado. Se fundamenta en los denominados conjuntos difusos y un sistema de inferencia difuso basado en reglas de la forma SI ENTONCES.., donde los valores lingsticos de la premisa y el consecuente estn definidos por conjuntos difusos, es as como las reglas siempre convierten un conjunto difuso en otro.

Dentro del Instituto Tecnolgico de Monterrey [9] existe una rea de investigacin llamada centro de sistemas inteligentes, el cual cuenta con diferentes reas de investigacin que son: tecnologas del conocimiento, sistemas inspirados en la naturaleza y robtica y automatizacin. El laboratorio de tecnologas del conocimiento se inici en 1983 para realizar investigacin en sistemas basados en el conocimiento y sistemas expertos; en este laboratorio se estudian propiedades, modelos, y metodologas alrededor del conocimiento y su aplicacin, incluyendo

Capitulo 1

Marco Terico

ingeniera del conocimiento, organizaciones inteligentes, sistemas multiagentes, aprendizaje as como razonamiento automtico.

En el rea de sistemas inteligentes de la IEEE [10] se encuentran varios artculos de investigaciones realizadas con los sistemas de lgica difusa y en particular con los relacionados con mercados financieros y anlisis financieros. La lgica borrosa a pesar de su corta historia tiene un crecimiento muy rpido, ya que es capaz de resolver problemas relacionados con la incertidumbre de la informacin o del conocimiento, proporcionando un mtodo formal para la expresin del conocimiento en forma entendible y compresible por los humanos, esto hace que se le pueda asegurar y casi garantizar un amplio campo de aplicaciones con un alto grado de inters. En el rea mdica se ha empleado para el diagnstico, desde campos como la acupuntura, hasta el anlisis de los ritmos cardacos o de la arterioestenosis coronaria. [6]. Dentro del apoyo a la toma de decisiones se ha utilizado para la bsqueda de caminos crticos en la ejecucin de proyectos y asesoramiento a la inversin. En el campo del control de sistemas en tiempo real destaca el control de un helicptero por rdenes de voz y el control con derrapaje controlado de un modelo de coche de carreras; dentro del sector automovilstico existen gran nmero de patentes sobre sistemas de frenado y cambio de marcha automticos (Nissan). En el sector de la fabricacin de electrodomsticos se han diseado buen nmero de aplicaciones neuro-fuzzy como lavadoras que evalan la carga y ajustan por s mismas, el detergente necesario, la temperatura del agua y el tipo de ciclo de lavado (Matsushita, Hitachi, Siemens), tostadoras de pan, controles para la

Capitulo 1

Marco Terico

calefaccin y el aire acondicionado, televisiones (SONY), que automticamente ajustan el contraste, el brillo y las tonalidades de color. Para el control de maquinaria destaca el control de frenado de metro de Sendai realizado por Hitachi (en funcionamiento desde julio de 1987) para mantener los trenes rodando rpidamente a lo largo de la ruta, frenando y acelerando suavemente, deslizndose entre las estaciones, parando con precisin sin perder un solo segundo o sacudir fuertemente a los pasajeros. Se han utilizado para el control de una mquina de perforacin de tneles y para el control de ascensores (Mitsusbishi-Elec., Hitachi, Fuji Tech) que mejoran la eficiencia en el procedimiento manual que siempre se presenta cuando grandes grupos esperan para usar el ascensor al mismo tiempo, o para gras en el manejo y elevacin de contenedores (Hitachi). Se han aplicado tambin al procesado de imgenes y al reconocimiento de caracteres que reconoce los nmeros de los cheques bancarios utilizando un sensor CCD y un microcontrolador. Se utiliza tambin en verificadores de ortografa, los cuales sugieren una lista de palabras probables para reemplazar una palabra mal escrita o en correctores de voz para sugerir un listado de probables palabras para sustituir a una mal dicha. Podramos resumir que la utilizacin de la lgica borrosa es aconsejable para procesos muy complejos, es decir, cuando se carece de un modelo matemtico simple o para procesos altamente no lineales, o si el procesamiento del (lingsticamente formulado) conocimiento experto puede ser desempeado. Para concluir diremos que la utilizacin de la lgica borrosa para el control de sistemas tiene sus ventajas y desventajas y por lo tanto hay que conocerlas y analizarlas, entre otras plantearemos las siguientes:

Capitulo 1

Marco Terico

Con los sistemas basados en la lgica borrosa se pueden evaluar mayor cantidad de variables, entre otras, variables lingsticas, no numricas, simulando el conocimiento humano.

Se relaciona entradas y salidas, sin tener que entender todas las variables, permitiendo que el sistema pueda ser ms confiable y estable que uno con un sistema de control convencional.

Se puede simplificar la asignacin de soluciones previas a problemas sin resolver.

Es posible obtener prototipos, rpidamente, ya que no requiere conocer todas las variables acerca del sistema antes de empezar a trabajar, siendo su desarrollo ms econmico que el de sistemas convencionales, porque son ms fciles de disear.

Se simplifica, tambin la adquisicin y representacin del conocimiento y unas pocas reglas abarcan gran cantidad de complejidades.

Por todo lo anterior, que por un lado puede ser una ventaja y por otro un posible riesgo, los sistemas basados en la lgica borrosa requieren mayor simulacin y una excelente depuracin y prueba antes de pasar a ser operacionales. Los procesos del pensamiento que se desarrollan en el cerebro humano son originados por las sensaciones que llegan a travs de nuestros sentidos, mediante el lenguaje, el hombre expresa, traduce y representa los fenmenos naturales y humanos; sin embargo, el lenguaje presenta vacos de precisin o excesos de sobre entendimiento, por lo cual se necesitan tcnicas que precisen y depuren la informacin para llegar al conocimiento, dichas tcnicas se basan en la aplicacin del mtodo cientfico, expresado en un lenguaje matemtico, este es el mtodo que el ser humano utiliza para aproximarse al mundo desde que Arqumedes lo

Capitulo 1

Marco Terico

estren en la fsica (287-212 a. C.), fundamentado en la lgica del pensamiento aristotlica (384-322 a. C.), que formaliz los principios del pensamiento humano. En aos recientes se han desarrollado sistemas de la denominada lgica combinatoria: una afirmacin puede tener un valor distinto a verdadero o falso. En algunos supuestos es slo un tercer valor neutro; en otros, un valor de probabilidad expresado como una fraccin que oscila entre 0 y 1 o entre -1 y +1. El origen de la lgica difusa se encuentra en el anlisis de la vaguedad y su relacin con la lgica clsica, que realizaron a comienzos del siglo XX Jan Lukasiewicz y Max Black. Posteriormente, Lofti Zadeh, a mediados de la dcada de los sesenta, sienta las bases de la lgica polivalente y del clculo de la incertidumbre, mediante la definicin de conjunto difuso a partir de la idea de pertenencia gradual, denominada por el propio Zadeh teora de la posibilidad, lo cual proporciona una base matemtica para modelar el razonamiento humano. Durante ms de 15 aos, los investigadores hicieron hincapi en la teora de los conjuntos difusos e incluyeron en el anlisis la aritmtica, el lgebra, la programacin lineal, la programacin multiobjetivo, la topologa, el clculo diferencial e integral, la geometra, etc., como un prembulo a las aplicaciones industriales. Desde el punto de vista de los fenmenos socioeconmicos, es necesario contar con modelos que capturen de una manera ms precisa la realidad, ya que sta involucra imprecisin, falta de definicin, inexistencia de bordes, subjetividad, clasificaciones no definidas, etc., es decir, se manipulan conceptos y variables que no encuadran con la lgica clsica y, sin embargo, para su anlisis es preciso utilizar la matemtica. Los modelos matemticos desarrollados poseen simplificaciones importantes, lo cual significa reducir las cosas a un lenguaje determinado y codificado de reglas rgidas con lo cual tratamos de entender la realidad, estos modelos pueden

Capitulo 1

Marco Terico

trabajar bien bajo determinadas reas del conocimiento; sin embargo, la aplicacin del mtodo cientfico, el avance de la tcnica y la existencia de paradigmas nos recuerdan que tarde o temprano un modelo se volver obsoleto y debe sustituirse por otro, tal como ha ocurrido con el desarrollo del conocimiento cientfico. En el campo de la toma de decisiones, las relaciones entre los conceptos o variables que definen el problema bajo estudio no estn definidas en forma precisa, y esto se debe a la imprecisin del lenguaje natural, a la naturaleza del fenmeno o a la calidad de la informacin utilizada, en este sentido, en muchas ocasiones no se cuenta con la informacin suficiente para aplicar modelos matemticos convencionales, lo que ha obligado a la bsqueda de modelos alternativos. Actualmente, en el modelado de problemas de decisin se busca que el instrumental analtico sea consistente con los sistemas de valoracin humanos y su percepcin, ms que con el formalismo y exactitud matemtica, ya que los sistemas de valoracin humanos son imprecisos, vagos (fuzzy-difuso) y tienen el problema de que no pueden ser capturados de forma directa por la precisin matemtica convencional. La lgica difusa permite utilizar conceptos relativos a la realidad siguiendo patrones de comportamiento similares al pensamiento humano. En el campo de la toma de decisiones (y en general en la vida real) existen hechos que no se pueden definir como totalmente verdaderos o totalmente falsos, sino que tienen un grado de verdad o falsedad que puede variar de 0 a 1. La lgica clsica no es la ms adecuada para tratar este tipo de razonamientos, ya que excluye por completo una tercera posibilidad (o ms) entre estos dos valores. La lgica difusa rompe con el principio de la no contradiccin o del tercero excluido, es decir, un objeto de estudio puede pertenecer a la vez a conjuntos contrarios en cierto grado (ser y no ser al tiempo). Un sistema de lgica difusa o

Capitulo 1

Marco Terico

lgica borrosa convierte variables de entrada (cuantitativas y cualitativas) en variables lingsticas a travs de funciones de pertenencia o conjuntos difusos, los cuales son evaluados mediante un conjunto de reglas difusas del tipo si-entonces. Luego las salidas del sistema se convierten en valores ntidos (crisp) mediante un proceso de concrecin (defuzzyfication), que permiten brindar informacin para la toma de decisiones. Un sistema de lgica difusa utiliza cualquier tipo de informacin y la procesa de manera similar que el pensamiento humano; por ello, los sistemas de lgica difusa son adecuados para tratar informacin cualitativa, inexacta e incierta, que permiten, adems, tratar con procesos complejos, lo que la hace una alternativa interesante para modelar problemas de toma de decisiones. Los sistemas de lgica difusa se han utilizado exitosamente en un gran nmero de aplicaciones como controladores para equipos industriales, negocios, economa, sistemas de soporte a la decisin, medicina, psicologa, etc. Los mayores progresos en la implementacin de aplicaciones industriales se lograron cuando a los sistemas de lgica difusa se integraron otras tcnicas como las redes neuronales artificiales y los algoritmos genticos, los cuales permiten la optimizacin del sistema difuso. Actualmente, todas estas tcnicas se combinan en lo que se conocen como sistemas hbridos, conexionistas o, en general, tcnicas de softcomputing. [1]. En los aos setenta, la lgica difusa fue combinada con sistemas expertos para producir sistemas que luego fueron implementados exitosamente en el mbito industrial; ambas tcnicas se basan en reglas del tipo si-entonces; sin embargo, la lgica difusa permiti tratar las reglas de una manera diferente a como lo hacan los sistemas expertos tradicionales, los cuales evalan el cumplimiento de cada regla de manera completa, es decir, cada regla se cumple o no de manera completa, en el sentido de la lgica binaria; con la lgica difusa, en cambio, las reglas pueden cumplirse de manera parcial, lo que ampla el abanico de respuesta

Capitulo 1

Marco Terico

del sistema y se acerca ms al modo de racionamiento humano. En general, los sistemas expertos difusos han permitido el desarrollo de sistemas de soporte para la toma de decisiones con aplicaciones en los sectores industrial, de negocios, de diagnstico, entre otros.

1.2 Lgica Difusa

1.2.1 Breve historia de la lgica difusa
La lgica difusa fue investigada, por primera vez, a mediados de los aos sesenta en la Universidad de Berkeley (California) por el ingeniero Lotfy A. Zadeh cuando se dio cuenta de lo que l llam principio de incompatibilidad: Conforme la complejidad de un sistema aumenta, nuestra capacidad para ser precisos y construir instrucciones sobre su comportamiento disminuye hasta el umbral ms all del cual, la precisin y el significado son caractersticas excluyentes; introdujo entonces el concepto de conjunto difuso (Fuzzy Set) bajo el que reside la idea de que los elementos sobre los que se construye el pensamiento humano no son nmeros sino etiquetas lingsticas. La lgica difusa permite representar el conocimiento comn, que es mayoritariamente del tipo lingstico cualitativo y no necesariamente cuantitativo, en un lenguaje a travs de la teora de conjuntos difusos y funciones caractersticas asociadas a ellos, permite trabajar a la vez con datos numricos y trminos lingsticos; los trminos lingsticos son inherentemente menos precisos que los datos numricos pero en muchas ocasiones aportan una informacin ms til para el razonamiento humano. El aspecto central de los sistemas basados en la teora de la lgica difusa es que, a diferencia de los que se basan en la lgica clsica, tienen la capacidad de reproducir aceptablemente los modos usuales del razonamiento, considerando que la certeza de una proposicin es una cuestin de grado, ms formalmente se puede decir que si la lgica es la ciencia de los principios formales y normativos del razonamiento, la lgica difusa o borrosa se refiere a los principios formales del
10

Capitulo 1

Marco Terico

razonamiento aproximado, considerndole razonamiento preciso (lgica clsica) como caso lmite; as pues, las caractersticas ms atractivas de la lgica difusa son su flexibilidad, su tolerancia con la imprecisin, su capacidad para modelar problemas no-lineales, y su base en el lenguaje natural.

Aunque en un principio la lgica difusa encontr una fuerte resistencia entre la comunidad cientfica, algunos investigadores se convirtieron en seguidores de las teoras de Zadeh y mientras l sigui ampliando y asentando los fundamentos de la teora de conjuntos difusos estos investigadores exploraron estas nuevas teoras durante la dcada posterior a su nacimiento, adems de las contribuciones del propio Zadeh, otros autores como Bellman, Lakoff, Boguen, Kohout, Smith, Sugeno, Chang, Dunn, Bezdek, Negrita, Mizumoto, Tanaka, Kandel, Zimmemann, etc., hicieron aportaciones al desarrollo de las bases de esta teora, durante esta primera dcada, gran parte de estructuras lgicas y matemticas son generalizadas en trminos de lgica difusa: relaciones lgicas, funciones, grupos, operaciones, operadores, algoritmos, etc.

En realidad, la intencin original del profesor Zadeh era crear un formalismo para manipular de forma ms eficiente la imprecisin y la vaguedad del razonamiento humano expresado lingsticamente, sin embargo caus cierta sorpresa que el xito de la lgica borrosa llegase en el campo del control automtico de procesos. Esto se debi bsicamente al boom que la lgica borrosa caus en Japn, iniciado en 1987 y que alcanz su mximo apogeo a principios de los noventa, este boom fue el resultado de una estrecha colaboracin entre el gobierno, las universidades y las industrias japonesas, establecindose dos proyectos nacionales a gran escala llevados a cabo por el Ministerio de Industria y Comercio (MITI) y la Agencia de Ciencia y Tecnologa (STA) en consorcio con el LIFE, Laboratory for Internacional Fuzzy Research, y en los que se involucraron ms de 50 compaas durante seis aos.

11

Capitulo 1

Marco Terico

Desde entonces, han sido infinidad los productos lanzados al mercado que usan tecnologa borrosa, muchos de ellos utilizando la etiqueta fuzzy como smbolo de calidad y prestaciones avanzadas. El control difuso ha sido aplicado con xito en muy diversas ramas tecnolgicas, por ejemplo la metalurgia, robots para la fabricacin, controles de maniobras de aviones, sensores de imagen y sonido (sistema de estabilizacin de la imagen en cmaras fotogrfica y de video Sony, Sanyo y Cannon), lavadoras (Panasonic y Bosch) que son capaces de autorregular la cantidad de jabn que requiere un lavado dependiendo del grado de suciedad de la ropa, aire acondicionado (Mitsubishi) en el que el sistema fuzzy evita las oscilaciones entre el exceso y el defecto de temperatura, rice-cooker capaces de elaborar diversas variedades de arroz regulando la cantidad de agua y la temperatura en cada caso para que el grano quede cocido y suelto, en automocin, sistemas de frenado ABS (Mazda y Nissan), cambio automtico de Renault, control automtico de velocidad que controla la frenada en casos peligrosos y selecciona la relacin de marchas a partir del rendimiento del motor, climatizadores, fotocopiadoras (ajusta el voltaje del tambor a partir de la densidad de la imagen, la temperatura y la humedad), lavaplatos (ajusta el ciclo de lavado y enjuague a partir del nmero de platos y cantidad de comida adherida), ascensores (reduce el tiempo de espera a partir del nmero de personas), humidificadores (ajusta el contenido de humedad a las condiciones de la habitacin), mejoras en imgenes mdicas (ajustando el contraste en los bordes), sistemas de reconocimiento de escritura, hornos de microondas (establece y afina el programa de energa y coccin), neveras (establece los tiempos de descongelacin y enfriamiento en funcin del uso que se haga), televisores (ajusta el color de la pantalla y la textura de cada imagen), mecanismos de atraque automtico de naves espaciales, sistemas automticos de regulacin de la cantidad de anestesia que se suministra a los pacientes en un quirfano -aunque bajo supervisin mdica, por supuesto-, sistemas de concesin o de negacin automtica de crditos segn el perfil econmico del solicitante, etc., estas son algunas de las muchsimas aplicaciones de la lgica difusa, que ya estn

12

Capitulo 1

Marco Terico

funcionando en el campo de los llamados sistemas expertos, todos estos sistemas utilizan informacin, esencialmente, imprecisa con el fin de lograr sus cometidos. Hay dos aspectos que han de ser considerados; por un lado, existen muchos problemas que debido a su propia naturaleza, no pueden ser resueltos con las tcnicas convencionales, principalmente porque o no se tiene la informacin necesaria para modelar el sistema o no se conoce lo suficiente, este tipo de problemas es la norma general en el estudio de sistemas sociales a gran escala, en la determinacin de planes econmicos, y sistemas de toma de decisin, como es el diagnstico mdico; otro tipo de problemas que presentan esta caracterstica son aquellos tpicos en inteligencia artificial, especialmente en aquellos donde se intenta utilizar un tipo de razonamiento cercano al humano, como son los problemas de visin por computador o el tratamiento del lenguaje natural. La lgica difusa ha cobrado una fama grande por la variedad de sus aplicaciones, las cuales van desde el control de complejos procesos industriales, hasta el diseo de dispositivos artificiales de deduccin automtica, pasando por la construccin de artefactos electrnicos de uso domstico y de entretenimiento, as como tambin de sistemas de diagnstico, de hecho, desde hace ya, al menos, dcada y media, la expedicin de patentes industriales de mecanismos basados en la lgica difusa tiene un crecimiento sumamente rpido en todas las naciones industrializadas. La lgica difusa ha modelado satisfactoriamente a una gran parte del razonamiento natural, es cierto que el razonamiento humano utiliza valores de verdad que no necesariamente son tan deterministas, por ejemplo, al calificar que el cielo es azul uno est tentado a graduar qu tan azul, en efecto, es el cielo, e igualmente, si un vehculo se mueve rpido, tambin se est obligado a considerar qu tan rpido es el vehculo, aunque esto ltimo no implique necesariamente cuantificar la velocidad del vehculo con toda precisin.

13

Capitulo 1

Marco Terico

Las lgicas difusas pretenden producir resultados exactos a partir de datos imprecisos, por lo cual son particularmente tiles en aplicaciones electrnicas o computacionales. El adjetivo difuso aplicado a ellas se debe a que los valores de verdad nodeterministas utilizados en ellas tienen, por lo general, una connotacin de incertidumbre, un vaso medio lleno, independientemente de que tambin est medio vaco, no est lleno completamente ni est vaco completamente, qu tan lleno puede estar es un elemento de incertidumbre, es decir, de difusidad, entendida esta ltima como una propiedad de indeterminismo. Ahora bien, los valores de verdad asumidos por enunciados aunque no son deterministas, no necesariamente son desconocidos; por otra parte, desde un punto de vista optimista, lo difuso puede entenderse como la posibilidad de asignar ms valores de verdad a los enunciados que los clsicos falso o verdadero; as pues, reiteramos, las lgicas difusas son tipos especiales de lgicas multivaluadas.

En un sistema deductivo se distingue enunciados de entrada y enunciados de salida, el objetivo de todo sistema manejador de una lgica difusa es describir los grados de los enunciados de salida en trminos de los de entrada, ms an, algunos sistemas son capaces de refinar los grados de veracidad de los enunciados de salida conforme se refinan los de entrada, por estas propiedades es que ciertos sistemas de lgica difusa aparentan una labor de aprendizaje, y son excelentes mecanismos de control de procesos, desde el punto de vista tecnolgico, las lgicas difusas se encuadran en el rea de la llamada Inteligencia Artificial y han dado origen a sistemas expertos de tipo difuso y a sistemas de control automtico.

14

Capitulo 1

Marco Terico

En este trabajo haremos nfasis en el carcter multivaluado de las lgicas difusas, introduciremos primero la nocin de conjunto difuso, y las operaciones usuales en ese tipo de conjuntos; inmediatamente despus, presentaremos ciertos tipos de clculos proposicionales de tipo difuso y de cuantificacin difusa. La lgica difusa es una rama de la inteligencia artificial que se funda en el concepto Todo es cuestin de grado, por lo cual permite manejar informacin vaga o de difcil especificacin si quisiramos hacer cambiar con esta informacin el funcionamiento o el estado de un sistema especifico; es entonces posible con la lgica borrosa gobernar un sistema por medio de reglas de sentido comn las cuales se refieren a cantidades indefinidas. La lgica difusa es entonces definida como un sistema matemtico que modela funciones no lineales, que convierte una entradas en salidas acordes con los planteamientos lgicos que usan el razonamiento aproximado.

1.2.2 Conjuntos difusos y funciones caractersticas

La lgica difusa permite tratar informacin imprecisa, como estatura mediana o temperatura baja, en trminos de conjuntos borrosos que se combinan en reglas para definir acciones: si la temperatura es alta entonces enfriar mucho, de esta manera, los sistemas de control basados en lgica difusa combinan variables de entrada, definidas en trminos de conjuntos difusos, por medio de grupos de reglas que producen uno o varios valores de salida. Segn la teora de la lgica clsica el conjunto hombres altos es un conjunto al que perteneceran los hombres con una estatura mayor a un cierto valor, que podemos establecer en 1.80 metros, por ejemplo, y todos los hombres con una altura inferior a este valor quedaran fuera del conjunto, as tendramos que un hombre que mide 1.81 metros de estatura pertenecera al conjunto de hombres

15

Capitulo 1

Marco Terico

altos, y en cambio un hombre que mida 1.79 metros de altura ya no pertenecera a ese conjunto; sin embargo, no parece muy lgico decir que un hombre es alto y otro no lo es cuando su altura difiere en dos centmetros. El enfoque de la lgica difusa considera que el conjunto hombres altos es un conjunto que no tiene una frontera clara para pertenecer o no pertenecer a l: mediante una funcin que define la transicin de alto a no alto se asigna a cada valor de altura un grado de pertenencia al conjunto, entre 0 y 1. As por ejemplo, un hombre que mida 1.79 podra pertenecer al conjunto difuso hombres altos con un grado 0.8 de pertenencia, uno que mida 1.81 con un grado 0.85, y uno que mida 1.50 cm con un grado 0.1., visto desde esta perspectiva se puede considerar que la lgica clsica es un caso lmite de la lgica difusa en el que se asigna un grado de pertenencia 1 a los hombres con una altura mayor o igual a 1.80 y un grado de pertenencia 0 a los que tienen una altura menor.

VISIN DE LA LGICA DIFUSA

VISIN DE LA LGICA CLSICA

ALTO

ALTO

NO ALTO

1.80 ALTURA (m)

1.80 ALTURA (m)

Figura 1. 1 Lgica difusa contra lgica clsica As pues, los conjuntos difusos pueden ser considerados como una generalizacin de los conjuntos clsicos: la teora clsica de conjuntos slo contempla la pertenencia o no pertenencia de un elemento a un conjunto, sin embargo la teora de conjuntos difusos contempla la pertenencia parcial de un elemento a un
16

Capitulo 1

Marco Terico

conjunto, es decir, cada elemento presenta un grado de pertenencia a un conjunto difuso que puede tomar cualquier valor entre 0 y 1., este grado de pertenencia se define mediante la funcin caracterstica asociada al conjunto difuso: para cada valor que pueda tomar un elemento o variable de entrada x la funcin caracterstica A(x) proporciona el grado de pertenencia de este valor de x al conjunto difuso A. Se le llama variable lingstica a aquella nocin o concepto que vamos a calificar de forma difusa, por ejemplo: la altura, la edad, el error, la variacin del error... le aplicamos el adjetivo "lingstica" porque definiremos sus caractersticas mediante el lenguaje hablado.

El universo del discurso es el rango de valores que pueden tomar los elementos que poseen la propiedad expresada por la variable lingstica. Se le llama valor lingstico a las diferentes clasificaciones que efectuamos sobre la variable lingstica: en el caso de la altura, podramos dividir el universo de discurso en los diferentes valores lingsticos: 'bajo','mediano' y 'alto', como veremos, cada valor lingstico tendr un conjunto difuso asociado, de forma que hablaremos de los conjuntos difusos 'bajo','alto' asociados a la variable lingstica 'altura'. Definimos funcin de pertenencia como aquella aplicacin que asocia a cada elemento de un conjunto difuso el grado con que pertenece al valor lingstico asociado, los conjuntos difusos son caracterizados por sus funciones de pertenencia.

Un conjunto es difuso cuando el concepto al que representa tiene una funcin de pertenencia difusa asociada a l.

17

Capitulo 1

Marco Terico

Funcin de Pertenencia M(h)

Bajo

Conjunto Difuso 1
Mediano Alto

Valor Linguistico

Variable Linguistica Altura 0 1.5 1.7 1.9

Universo del Discurso

Figura 1.2 Ejemplo de representacin de un conjunto difuso

En esta figura se presentan respectivamente.

3 conjuntos difusos sobre la variable lingstica

Altura, cuyos valores lingsticos asociados son 'Bajo', 'Mediano' y 'Alto'

Esta es la principal diferencia entre la lgica tradicional y la difusa: mientras que los valores de la funcin de pertenencia de la primera son 0 o 1, la lgica difusa se mueve en todo el intervalo [0,1], se suele normalizar el grado de pertenencia mximo a 1.

As expresamos que mientras un elemento puede estar dentro de un determinado conjunto, puede no cumplir las especificaciones de dicho conjunto al cien por ciento.

18

Capitulo 1

Marco Terico

Formalmente, un conjunto clsico A, en un universo del discurso U, se puede definir de varias formas: enumerando los elementos que pertenecen al conjunto, especificando las propiedades que deben cumplir los elementos que pertenecen a ese conjunto o, en trminos de la funcin de pertenencia A(x):

A(x)=

1 si x A 0 si x A

(1.1)

Podemos adems decir que el conjunto A es matemticamente equivalente a su funcin de pertenencia o caracterstica A(x), ya que conocer A(x) es lo mismo que conocer A. Un conjunto difuso en el universo del discurso U se caracteriza por una funcin de pertenencia A(x) que toma valores en el intervalo [0,1], y puede representarse como un conjunto de pares ordenados de un elemento de pertenencia al conjunto:
(1.2)

x y su valor

A = {(x, A(x))|x U}

Muchos conceptos de teora clsica de conjuntos se pueden hacer extensivos a los conjuntos difusos, otros son exclusivos e inherentes a la teora de conjuntos difusos, algunos de los ms utilizados son los siguientes: El soporte de un conjunto difuso A en el universo de discurso U es un conjunto crisp (numrico) que contiene todos los elementos de U que tienen un valor de pertenencia distinto de cero en A, esto es,

Sop(x) = {x U|A(x)>0}

(1.3)

19

Capitulo 1

Marco Terico

Si el soporte de un conjunto difuso no contiene ningn elemento tendremos un conjunto difuso vaco, si el soporte de un conjunto difuso es un solo punto tendremos lo que se conoce como singleton difuso. El punto de cruce de un conjunto difuso es el punto de U cuyo valor de pertenencia al conjunto es igual a 0.5. Dos conjuntos difusos A y B son iguales si y slo si sus funciones caractersticas A(x) y B(x) son iguales. El conjunto difuso B contiene al conjunto difuso A, esto es A B, si y slo si A( x ) B( x ) para todo x U

(1.4 )

La funcin caracterstica proporciona una medida del grado de similaridad de un elemento de U con el conjunto difuso, la forma de la funcin caracterstica utilizada, depende del criterio aplicado en la resolucin de cada problema y variar en funcin de la cultura, geografa, poca o punto de vista del usuario, la nica condicin que debe cumplir una funcin caracterstica es que tome valores entre 0 y 1, con continuidad, las funciones caractersticas ms comnmente utilizadas por su simplicidad matemtica y su manejabilidad son: triangular, trapezoidal, gaussiana, sigmoidal, gamma, pi, campana, etc.

Conceptualmente

existen dos aproximaciones para determinar la funcin

caracterstica asociada a un conjunto: la aproximacin est basada en el conocimiento humano de los expertos, y la segunda aproximacin es utilizar una coleccin de datos para disear la funcin.

20

Capitulo 1

Marco Terico

Figura 1.3 Algunas funciones caractersticas ms habituales: (a) triangular, (b) trapezoidal, (c) gaussiana y (d) sigmoidal. El nmero de funciones caractersticas asociadas a una misma variable es elegido por el experto: a mayor nmero de funciones caractersticas tendremos mayor resolucin pero tambin mayor complejidad computacional; adems estas funciones pueden estar traslapadas o no, el hecho de estar traslapadas pone de manifiesto un aspecto clave de la lgica difusa, una variable puede pertenecer con diferentes grados a varios conjuntos difusos a la vez.

1.2.2.1 Funciones de pertenencia

Aunque en principio cualquier funcin sera vlida para definir conjuntos difusos, en la prctica hay ciertas funciones tpicas que siempre se suelen usar, tanto por la facilidad de computacin que su uso conlleva como por su estructura lgica para definir su valor lingstico asociado.

21

Capitulo 1

Marco Terico

Las funciones "TRAPEZOIDAL" y "TRIANGULAR" se usan para describir valores intermedios, su diferencia reside en que la funcin "PI" implica un margen de tolerancia alrededor del valor que se toma como ms representativo del valor lingstico asociado al conjunto difuso. Un conjunto de la lgica tradicional tambin es expresable con una funcin de pertenencia, de hecho, la lgica difusa es una extensin de la lgica tradicional y por tanto la incluye, todas las reglas y propiedades de la lgica difusa son aplicables a la tradicional, en cierta manera, la lgica tradicional es una particularizacin de la difusa. As pues, un conjunto de la lgica tradicional se puede expresar mediante un conjunto difuso cuya funcin de pertenencia sera:

A( x ) =

0six A 1six A

(1.5 )

Es decir, una funcin escaln centrada en el valor umbral de decisin.

( x )
1

X Valor Umbral de Decisin

Figura 1.4 Conjunto de lgica bivaluada

22

Capitulo 1

Marco Terico

1.2.2.2 Operaciones lgicas sobre conjuntos difusos

Las operaciones lgicas que se pueden establecer entre conjuntos difusos son la interseccin, la unin y el complemento, igual que las que usamos en lgica bivaluada; mientras que el resultado de operar dos conjuntos 'abruptos' es un nuevo conjunto 'abrupto', las mismas operaciones con conjuntos difusos nos darn como resultado otros conjuntos tambin difusos, dado que la lgica difusa es una extensin de la bivaluada, las nuevas operaciones que explicaremos para intersectar o unir conjuntos difusos son tambin aplicables a la lgica bivaluada obteniendo idnticos resultados.

En lgica difusa hay muchas maneras de definir estas operaciones, cualquier operacin que cumpla las restricciones de una T-Norma puede ser usada para intersectar, igual que cualquier S-Norma puede ser usada para unir conjuntos difusos. Las T-Normas especifican un conjunto de condiciones que deben reunir aquellas operaciones que deseen ser usadas para intersectar conjuntos, mientras que las S-Normas hacen lo propio para las uniones.

En la prctica, se suele usar siempre como T-Norma el mnimo o el producto de las dos funciones de pertenencia, y como S-Norma el mximo de ambas o su suma, porque computacionalmente el coste es mucho menor, sin embargo hay ocasiones donde puede hacer falta una T-Norma ms complicada.

23

Capitulo 1

Marco Terico

AB

Interseccin por el MNIMO A B

AB

Interseccin por el PRODUCTO

Figura 1.5 Dos representaciones de la interseccin (T-Norma).

A B

Unin por el MXIMO A B

Unin por el MNIMO (1, A+B)

Figura 1.6 Dos representaciones de la unin (S-Norma).

24

Capitulo 1

Marco Terico

Algebraicamente, las dos formas de expresar la interseccin difusa se expresan:

A B = min( A(u ), B(u ))

A B = A(u )', B(u )
Anlogamente, para la unin tenemos:

(1.6) (1.7)

A B = max( A(u ), B(u ))

(1.8) (1.9)

A B = min(1, A(u ) + B(u ))

y para el complemento,

A = 1 A(u )

(1.10)

1.2.2.3 Inferencia difusa

Se llama reglas difusas al conjunto de proposiciones IF-THEN que modelan el problema que se quiere resolver, una regla difusa simple tiene la forma: si u es A entonces v es B dnde A y B son conjuntos difusos definidos en los rangos de u y v respectivamente, una regla expresa un tipo de relacin entre los conjuntos A y B cuya funcin caracterstica sera A ->B (x,y) y representa lo que conocemos como implicacin lgica, la eleccin apropiada de esta funcin caracterstica est sujeta a las reglas de la lgica proposicional.

25

Capitulo 1

Marco Terico

Como es bien sabido se puede establecer un isomorfismo entre la teora de conjuntos, la lgica proposicional y el lgebra booleana que garantiza que cada teorema enunciado en una de ellas tiene un homlogo en las otras dos. La existencia de estos isomorfismos nos permitir traducir las reglas difusas a relaciones entre conjuntos difusos y stas a trminos de operadores algebraicos con los que podremos trabajar.

1.2.2.4 Reglas difusas

Una regla difusa base es un conjunto de reglas SI-ENTONCES que pueden ser expresadas de la siguiente forma:

Rm:SI u1 es A1 m y u2 es A2 m y up es Ap m, entonces v es Bm Con m=1,2, , M

(1.11)

Y donde Aim y Bm son conjuntos difusos en Ui R (nmeros reales) y V R respectivamente, u=(u1, u2, , un) U1 x U2 x x Un y v V, y x=x1, x2, , xn U e y V son los valores numricos concretos de u y v, tambin respectivamente. Vemos que esta regla tiene adems la particularidad de que es una regla multiantecedente; este tipo de reglas, que combina varias variables en el antecedente, es el ms utilizado en el diseo de sistemas difusos, un sistema difuso estar formado por varias reglas difusas base con diferentes consecuentes, ya que una regla con multiantecedente y multiconsecuente siempre podr ser descompuesta en un conjunto de reglas base con multiantecedente pero un solo consecuente. Existen dos caminos para obtener el conjunto de reglas correspondiente a un conjunto de datos numricos:

26

Capitulo 1

Marco Terico

Dejar que los datos establezcan los conjuntos difusos que aparecen en los antecedentes y los consecuentes.

Predefinir los conjuntos difusos para antecedentes y consecuentes y luego asociar los datos a esos conjuntos.

Para llegar a obtener el conjunto completo de reglas que modelan un problema se puede partir de considerar todas las combinaciones de reglas Pt que es posible establecer tericamente, entre el nmero de antecedentes p y el nmero de conjuntos difusos de entrada Ap considerados para cada antecedente; as, para cada consecuente, el nmero terico de reglas posibles ser: Pt= An para n=1,,p;
(1.12)

Sin embargo entre estas Pt reglas tericamente posibles para cada consecuente, habr algunas que no tengan sentido fsico y otras que no se ajusten a las caractersticas del problema a resolver, se deber pues seleccionar, de entre todas las reglas posibles, el conjunto de reglas ms adecuadas al problema que se considera.

1.2.3 Diagrama de bloques de un sistema basado en tcnicas de lgica difusa

El esquema de un sistema basado en tcnicas de lgica difusa se presenta en la figura siguiente:

Entrada datos

FUSIFICADOR

MECANISMO DE INFERENCIA DIFUSA REGLAS DIFUSAS

DESFUSIFICADOR

Salida datos

Figura 1.7 Esquema general de un sistema basado en lgica difusa

27

Capitulo 1

Marco Terico

Estructura del sistema

La fusificacin de las variables de entrada. Aplicacin del operador difuso (AND OR) en el antecedente. Implicacin del antecedente con el consecuente. Agregacin de los consecuentes a travs de las reglas. La desfusificacin.

Figura 1.8 Desfusificacin de reglas

Fusificacin de las entradas

Para cada entrada existen diferentes conjuntos con variables lingsticas, en nuestro caso hay dos subconjuntos para cada variable de entrada.

28

Capitulo 1

Marco Terico

X = {BAJO, ALTO} Y = {BAJO, ALTO}

Las variables de entrada X e Y, al igual que la variable de salida Z pertenecen al mismo universo de discurso comprendido en el rango entre 0 y 10.

Las funciones de membresa o pertenencia son: BAJO(T) = 1 - ( T / 10 ) ALTO(T) = T / 10

= 0.5

Figura 1.9 Fusificacin de las entradas

29

Capitulo 1

Marco Terico

REGLAS DEL SISTEMA Regla 1: if x es BAJO and y es BAJO then z es ALTO Regla 2: if x es BAJO and y es ALTO then z es BAJO Regla 3: if x es ALTO and y es BAJO then z es BAJO Regla 4: if x es ALTO and y es ALTO then zes ALTO

Otra manera de analizar las reglas es mediante una tabla: BAJO ALTO BAJO ALTO BAJO ALTO

y
BAJO ALTO

Tabla 1.1 Anlisis de base de reglas APLICAR EL OPERADOR DIFUSO

Una vez que las entradas han sido fusificadas, conocemos el grado en el cual cada parte del antecedente ha sido satisfecho para cada regla. S el antecedente de una regla dada tiene ms de una parte, el operador difuso es aplicado para obtener un nmero que represente el resultado del antecedente para esa regla.

Para la operacin AND existen dos formas conocidas de realizarla: min (mnimo) y prod (producto algebraico). Para la operacin OR existen dos formas conocidas de realizarla: max (mximo) y sum (suma algebraica). Adems de estos mtodos usados en las operaciones difusas, uno puede crear su propio mtodo para la operacin AND y OR escribiendo cualquier funcin.

30

Capitulo 1

Marco Terico

El grado de verdad para la premisa de una regla es referida como el nivel de disparo y es denotada como (alfa).

Grado de verdad para la regla:

x 0 y 0.32 BAJO (x) 1 ALTO (x) 0 BAJO (y) 0.68 ALTO (y) 0.32

R1

R2

R3

R4

1
0.68

2
0.32

3
0

4
0

Tabla 1.2 Ejemplo de entradas de reglas

( y )

( x )

Tabla 1.3 Grfica de salida de reglas

Mtodo de implicacin

Un consecuente es un conjunto difuso representado por una funcin de pertenencia, en nuestro caso tiene asignada dos, las cuales son: Z = { BAJO, ALTO }
31

Capitulo 1

Marco Terico

Hay dos mtodos conocidos para la operacin de implicacin: el mtodo AND: min (mnimo), que trunca el conjunto difuso de salida, y el PROD (producto), el cual escala al conjunto difuso de salida.

El grado de verdad de la premisa de cada regla es computada y aplicada al consecuente de cada regla, este resultado es un subconjunto difuso que ser asignado a cada variable de salida correspondiente, nosotros aplicamos en este ejemplo el mtodo de Mamdani mtodo de inferencia MIN-MAX. Para cada regla hacemos el MIN entre el nivel de disparo y la funcin de pertenencia de la variable de salida indicada en el consecuente.

1 0.8 0.6 0.4 0.2 0 0 1 2 3 4 5 6 R1 7 8 9 10

1 0.8 0.6 0.4 0.2 0 0 1 2 3 4 5 6 7 8 9 R2 10

Tabla 1.4 Grfica de implicacin en reglas

Mtodo de agregacin

Agregacin o composicin es el proceso por el cual los conjuntos difusos que representan las salidas de cada regla son combinadas en un nico conjunto difuso.

La salida del proceso de agregacin es un conjunto difuso para cada salida variable.
32

Capitulo 1

Marco Terico

Los dos mtodos ms conocidos son: max (mximo) y sum (suma). Lo ms comn cuando usamos la funcin 'min' en el mtodo de implicacin es corresponder con la funcin 'max' en el mtodo de agregacin. De igual manera si elegimos la funcin 'prod' para el mtodo de implicacin, es usual hacerlo corresponder con la funcin 'sum' para el mtodo de agregacin.

En el proceso de composicin o agregacin, todos los subconjuntos difusos son combinados para dar un nico conjunto de salida, esto se logra haciendo el MAX de las funciones mostradas en los grficos anteriores, obtenindose la siguiente figura:

Tabla 1.5 Mtodo de agregacin

1.2.4 Mtodos de desfusificacin

La entrada para el proceso de desfusificacin es un conjunto difuso (la salida de la etapa de agregacin) y la salida es un simple nmero concreto. Los sistemas del mundo real requieren un resultado numrico.

El mtodo ms popular de desfusificacin es el clculo del centro de gravedad centroide, el cual retorna el centro del rea bajo la curva, al igual que en los pasos anteriores existen ms mtodos de clculo.
33

Capitulo 1

Marco Terico

Forma continua:

Para calcular el centro de gravedad (cog, siglas en ingles) dividimos al momento de la funcin por el rea de la funcin:

cog =

f (z) z dz f (z) dz

(1.13)

Forma discreta:

Se divide la funcin en partes iguales y se calcula haciendo la sumatoria de todos los puntos de la siguiente manera:
k

cog =

(z ) z
i i =0

(z)
i =0

(1.14)

Hay que tener en cuenta que al dividir en partes iguales al conjunto de salida se simplifican los incrementos z, si las particiones fueran diferentes habra que tener en cuenta el incremento z porque sino se pierde el sentido de Momento y rea de la funcin.

Forma continua:

(1.15)
34

Capitulo 1

Marco Terico

Forma discreta para 10 muestras:

(1.16)

El bloque desfusificador realiza la funcin contraria al fusificador. El fusificador tiene como entradas valores concretos de las variables de entrada y como salidas grados de pertenencia a conjuntos difusos (entre 0 y 1), la entrada al bloque desfusificador es el conjunto difuso de salida, resultado del bloque de inferencia y la salida es un valor concreto de la variable de salida, para obtener, a partir del conjunto difuso de salida que resulta de la agregacin de todas las reglas, un resultado escalar, se aplican mtodos matemticos. Ejemplos sencillos de algunos de estos mtodos de clculo son: Mtodo del mximo: se elige como valor para la variable de salida aquel para el cual la funcin caracterstica del conjunto difuso de salida es mxima, en general no es un mtodo ptimo, ya que este valor mximo puede ser alcanzado por varias salidas. Mtodo del centroide: utiliza como salida del sistema el centro de gravedad de la funcin caracterstica de salida, matemticamente:
y = (yB(y)dy)/(B(y)dy)
(1.17)

Es el mtodo ms utilizado en aplicaciones de la lgica difusa a la ingeniera ya que se obtiene una solucin nica, aunque a veces es difcil de calcular.

35

Capitulo 1

Marco Terico

Mtodo de la altura: se calcula para cada regla el centro de gravedad del conjunto difuso de salida Bm y despus se calcula la salida del sistema como la media ponderada:

yh = ( ymBm(ym)dy)/(Bm(ym)dy)

(1.18)

1.2.5 Tipos de sistemas de lgica difusa

Los sistemas de lgica difusa tienen una estrecha relacin con los conceptos difusos tales como conjuntos difusos, variables lingsticas y dems; los mas populares sistemas de lgica difusa que se encuentran en la literatura se encuentran en unos de los siguientes tipos: sistemas difusos tipo Mamdani (con fuzzificador y defuzzificador ) y Sistemas difusos tipo Takagi-Sugeno.

Sistema Tipo Mamdani

En la figura se muestra la configuracin bsica de un sistema tipo Mamdani

R1: IF X es bajo THEN Y es alto R2: IF X es medio THEN Y es medio R3: IF X es alto THEN Y es bajo

Fusificador

Mecanismo de inferencia

Desfusificador

Figura 1.10 Sistema difuso tipo Mamdani, procesamiento general.

36

Capitulo 1

Marco Terico

En un sistema difuso tipo Mamdani se distinguen las siguientes partes: Fusificador: La entrada de un sistema de lgica difusa tipo Mamdani normalmente es un valor numrico proveniente, por ejemplo, de un sensor; para que este valor pueda ser procesado por el sistema difuso se hace necesario convertirlo a un "lenguaje" que el mecanismos de inferencia pueda procesar, esta es la funcin del fusificador, que toma los valores numricos provenientes del exterior y los convierte en valores "difusos" que pueden ser procesados por el mecanismo de inferencia, estos valores difusos son los niveles de pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha dividido el universo del discurso de las diferentes variables de entrada al sistema. Mecanismo de inferencia difusa: Teniendo los diferentes niveles de pertenencia arrojados por el fusificador, los mismos deben ser procesados para generar una salida difusa, la tarea del sistema de inferencia es tomar los niveles de pertenencia y apoyado en la base de reglas generar la salida del sistema difuso. Base de Reglas Difusas: La base de reglas es la manera que tiene el sistema difuso de guardar el conocimiento lingstico que le permiten resolver el problema para el cual ha sido diseado. Estas reglas son del tipo IF-THEN. Una regla de la base de reglas o base de conocimiento tiene dos partes, el antecedente y el consecuente como se observa en la siguiente figura: IF la Entrada es baja THEN la Salida es Alta Donde: IF la Entrada es baja, es el Antecedente. THEN la Salida es Alta, es el Consecuente.

37

Capitulo 1

Marco Terico

Es una estructura bsica de una regla difusa. En un sistema difuso tipo Mamdani tanto el antecedente como el consecuente de las reglas estn dados por expresiones lingsticas. Desfusificador: La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa que no puede ser interpretada por un elemento externo (por ejemplo un controlador) que solo manipule informacin numrica, para lograr que la salida del sistema difuso pueda ser interpretada por elementos que solo procesen informacin numrica, hay que convertir la salida difusa del mecanismo de inferencia; este proceso lo realiza el desfusificador. La salida del mecanismo de inferencia es un conjunto difuso resultante, para generar la salida numrica a partir de estos conjuntos existen varias opciones como el Centro de Gravedad y los Centros Promediados, entre otros.

Sistema Tipo Takagi Sugeno

Otra alternativa de procesamiento en los sistemas difusos fue la propuesta por Takagi Sugeno en los sistemas difusos que llevan su nombre.

R1: IF X es bajo THEN Y1=F(x) R2: IF X es medio THEN Y2=F(x) R3: IF X es alto THEN Y3=F(x)

Fusificador

Mecanismo de Inferencia

Desfusificador

Figura. 1.11 Sistema difuso tipo Takagi Sugeno, procesamiento general

38

Capitulo 1

Marco Terico

En los sistemas difusos tipo Takagi Sugeno se distinguen las siguientes partes: Fusificador: realiza la misma funcin que en los sistemas Mamdani explicados anteriormente. Mecanismo de inferencia difusa: realiza la misma funcin que en los sistemas Mamdani explicados anteriormente. Base de Reglas Difusas: las reglas de la base de conocimiento de un sistema Takagi Sugeno es diferente a las de los sistemas Mamdani pues el consecuente de estas reglas ya no es un conjunto difuso; sino una ecuacin que est en funcin de la entrada que tenga el sistema en un momento dado, esto se ilustra a continuacin: IF la Entrada es baja THEN la Salida = F(Entrada) Donde: IF la Entrada es baja, es el Antecedente, y THEN la Salida = F(Entrada), es el Consecuente, nos indican la Base de Reglas, Tipo Takagi Sugeno. En los sistemas difusos tipo Takagi Sugeno, los valores que arrojan los consecuentes de las diferentes reglas que se han activado en un momento determinado ya son valores numricos. Para calcular la salida del sistema difuso se ponderan los diferentes consecuentes teniendo en cuenta el valor que se activ el antecedente de cada una de las reglas, para un sistema con dos reglas la salida del sistema difuso sera:

y=

w 1y 1 + w 2 y 2 w1 + w 2

(1.19 )

39

Capitulo 1

Marco Terico

En este caso:

y 1 = f 1( x ) y2 = f 2(x)

(1.20 )

Seran las funciones que permiten calcular el consecuente de cada una de las dos reglas implicadas; las funciones pueden ser constantes o lineales, las lineales pueden ser de orden cero o mayor.

40