Professional Documents
Culture Documents
RESUMEN
La lgica borrosa es una herramienta de toma de decisiones. Inicialmente fue
concebida como un concepto matemtico con una nica finalidad de involucrar datos
numricos y trminos lingsticos para representar la forma de razonamiento comn
cualitativo. Esta herramienta se utiliza muy eficientemente para realizar control de
variables fsicas que se adaptan al conjunto de reglas de dicha lgica. En este artculo
se presenta un marco general de la lgica borrosa y sus aplicaciones.
Introduccin
Definiciones y conceptos
A = X [0,1]
A(x) B(x), x X
En la teora de los conjuntos clsicos, existen operaciones entre ellos, que se extienden
a los conjuntos borrosos, como:
Negacin
Unin
Interseccin
Cada variable que interviene como hiptesis en una regla, tiene asociada un dominio.
Es necesario aclarar que cada dominio puede ser dividido en tantos conjuntos borrosos
que el experto considere oportuno, donde cada una de estas particiones tiene asociada
una etiqueta lingstica. A continuacin se muestra en la figura 1, una representacin de
los conjuntos borrosos, as como algunas definiciones involucradas en los conjuntos[12-
16].
Razonamiento Aproximado
Lofti Zadeh introdujo la teora del razonamiento aproximado[14] y muchos otros autores
han hecho lo propio con contribuciones importantes en este campo. Aunque
superficialmente pueda parecer que la teora de razonamiento aproximado y la lgica
clsica tienen diferencias enormes, la lgica clsica puede ser vista como un caso
especial de la primera. En ambas reas, se pueden ver a las premisas como inductoras
de subconjuntos de mundos posibles que las satisfacen, aunque en el caso de la teora
de razonamiento aproximado esos conjuntos sern subconjuntos borrosos. La
inferencia en ambos sistemas est basada en una regla de inclusin: una hiptesis se
infiere de una coleccin precisa, si el subconjunto de mundos posibles que satisfacen la
conjuncin de las premisas est contenido en el subconjunto de mundos posibles que
satisfacen la hiptesis.
El uso del razonamiento aproximado es el uso que hace de las variables y la
representacin de las proposiciones en trminos de valores de verdad lingsticos, es
decir -subconjuntos borrosos- como valores de esas variables. La lgica clsica slo
usa de modo implcito la idea de verdad asociada a una proposicin. Sin embargo, su
naturaleza binaria le permite ocultar este hecho ya que se puede referir a una
proposicin verdadera por su denotacin p, y a una que es falsa, simplemente por su
negacin, p, evitando as la introduccin de una variable Vp cuyo valor sea la
valoracin de la proposicin p. El uso del concepto de variable en la teora de
razonamiento aproximado conduce a tratar dominios que no estn dentro del mbito de
la lgica clsica, como es el caso de los problemas que tratan los sistemas expertos
borrosos o los controladores borrosos.
La teora de razonamiento aproximado permite representar tambin
cuantificadores lingsticos como y , que significan para todo y existe
respectivamente, lo que facilita representar enunciados como: la mayora de las
personas de Mxico son muy bajos de estatura. Zadeh indic que un cuantificador
como muy bajos puede ser representado como un subconjunto borroso sobre el
universo del discurso. Los cuantificadores aproximados se usan para representar
conocimiento de sentido comn. Una extensin de la teora del razonamiento
aproximado es la posibilidad de tratar con ella conocimiento prototpico, Reiter [8]
sugiri una aproximacin a la representacin de conocimiento comn y usando reglas
por defecto y Yager lo estudi en el marco de la teora de razonamiento
aproximado[11].
La lgica binaria puede ser vista como un caso especial de la teora del
razonamiento aproximado en el cual los conjuntos base tienen dos elementos {V,F} y
los grados de pertenencia se restringen a 1 0. La lgica posibilista puede ser vista
como una extensin de sta, en tanto que, aunque se restringen los conjuntos base de
Regla: Si x es A, entonces y es B.
Hecho: x es A
Conclusin: y es B
Control Borroso
Fuzzificador
Teniendo los diferentes niveles de pertenencia arrojados por el fuzzificador, los cuales
deben ser procesados para generar una salida difusa. La tarea del sistema de
inferencia es tomar los niveles de pertenencia para que, apoyado en la base de reglas,
pueda generar la salida del sistema difuso.
Antecedente Consecuente
Defuzzificador
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 slo manipule informacin numrica. Para lograr que la salida del sistema difuso
pueda ser interpretada por elementos que slo procesen informacin numrica, hay que
convertir la salida difusa del mecanismo de inferencia; este proceso lo realiza el
fuzzificador. La salida del mecanismo de inferencia es un conjunto difuso resultante y
para generar la salida numrica a partir de este conjunto, existen varias opciones como
el Centroide [3] y los Centros Promediados, entre otros[17].
Conclusiones
Las ciencias que estudian el mundo real resultan ser, en general, insuficientes para
controlar y estudiar el comportamiento y llevan implcito, algn tipo de cuantificador
meramente subjetivo, sin embargo, la lgica borrosa ha resultado ser una herramienta
importante, por la estrecha relacin con los sistemas de control. Se puede decir que
esta disciplina es un arma apropiada y til en campos con futuro y que ha sido objeto de
mltiples estudios, como en el caso de la inteligencia artificial, la robtica y el desarrollo
de nuevas tecnologas que promuevan la facilidad de las tareas del mundo real y la vida
cotidiana. Sin embargo, hay que reflexionar que falta mucho para la emulacin del
razonamiento humano, pero sin duda la lgica borrosa seguir siendo una herramienta
con un gran potencial para ser utilizada en diferentes reas en el campo de la
investigacin, por lo que se consider importante mencionar en este estudio algunos de
los conceptos ms relevantes de la lgica borrosa, como son: los conjuntos borrosos, la
teora del razonamiento aproximado y el control borroso, de tal manera que el lector
obtenga un conocimiento inicial para adentrarse en este tema.
Referencias
[1] Dubois D. and Prade H. Fuzzy Sets and Systems: Theory and Applications. Academic
Press, New York, NY, USA, 1980.
[2] Klement E.P., Mesiar R., and Pap E. Triangular Norms. Kluwer Academic Publishers,
Dordrecht, 2000.
[3] Lin, B., Hua, C., Buck/Boost, Converter Control with Fuzzy Logic Approach, IECON 1993.
[4] Mendel, J., Fuzzy Logic Systems for Engineering: A tutorial, Proceedings of IEEE, Vol. 83,
No. 3, Marzo, 1995.
[5] Mendel, J., Uncertain Rule based Fuzzy Logic System, Prentice Hall, New York, 2001.
[6] Menger K. Statistical metric spaces. In National Academy of Sciences, volume 37, pages
535-537, USA, 1942.
[7] Nguyen, H.T., A Note on the Extension Principle for Fuzzy Sets, J. Math Anal. Appl. 64,
pages 369-380, 1978.
[8] Reiter, R. Nonmonotonic Reasonin, Annual Reviews Comput. Sci. No. 2, pp. 147-186,
1987.
[10] Wang, L., A course in Fuzzy Systems and Control, Prentice Hall, 1997, pp. 1-59.
[11] Yager,.R., OVchinnikov, S.; Tong,R.M. y Nguyen, H.T. (Eds.):Fuzzy Sets and application:
Selected Papers By L.A. Zadeh. Wiley , New York, 1987
[12] Zadeh, L.A. Fuzzy sets as a basis for a theory of possibility. Fuzzy Sets and Systems,
pages 3-28, 1978.
[13] Zadeh, L.A. Fuzzy sets. Information and Control, pages 333-353, 1965.
[14] Zadeh, L.A. The concept of a linguistic variable and its application to approximate
reasoning - I. Information Sciences, pages 199-249, 1975.
[15] Zadeh, L.A.. Semantic inference from fuzzy premises. In Proceedings of the 6th Int.
symposium on Multiple-valued logic,Los Alamitos, CA, USA, IEEE Computer Society
Press. pages 217-218, 1976.
[16] Zadeh, L.A..Similarity relations and fuzzy orderings. Information Sciences, pages 177-200,
1971.
[17] Zak, S., Systems and Control, Oxford University Press, 2003, pp. 62.