Logica Difusa Ejemplos

ESCUELA PROFESIONAL DE INGENIERÍA
ELECTRÓNICA Y TELECOMUNICACIONES
“TRABAJO DE INVESTIGACIÓN”
(Ejemplos de lógica difusa)
Asignatura:
SEMINARIO DE TÓPICOS ESPECIALES
Profesor:
RUIZ SAAVEDRA JOSE LUIS
Alumno:
ROJAS SEGURA DIEGO ARMANDO
2018
LÓGICA DIFUSA
¿QUÉ ES LA LÓGICA DIFUSA?
Básicamente la Lógica Difusa es una lógica multivaluada que permite representar

matemáticamente la incertidumbre y la vaguedad, proporcionando herramientas
formales para su tratamiento.
Básicamente, cualquier problema del mundo puede resolverse como dado un

conjunto de variables de entrada (espacio de entrada), obtener un valor adecuado
de variables de salida (espacio de salida). La lógica difusa permite establecer este
mapeo de una forma adecuada, atendiendo a criterios de significado (y no de
precisión).
Le término Lógica Difusa fue utilizado por primera vez en 1974. Actualmente se
utiliza en un amplio sentido, agrupando la teoría de conjunto difusos, reglas si-
entonces, aritmética difusa, cuantificadores, etc. En este curso emplearemos este
significado extenso el término.
DIFERENCIAS CON PROBABILIDAD
Los conceptos empleados en Lógica Difusa y Probabilidad

están relacionados en cierto modo, pero son totalmente
diferentes. De forma resumida, la probabilidad representa
información sobre frecuencia de ocurrencias relativas de un
evento bien definido sobre el total de eventos posible. Por su
parte, el grado de pertenencia difuso representa las similitudes
de un evento con respecto a otro evento, donde las
propiedades de esos eventos no están definidas de forma
precisa.
Veamos un ejemplo, un superviviente de un accidente de avión se encuentra en

medio del desierto. Hace dos días que está caminando sin agua en busca de algún
poblado cercano donde puedan socorrerle. De repente encuentra dos botellas de
líquido, etiquetadas como se muestra en la figura 1.2. La botella A difusa está
etiquetada como que contiene líquido potable con un grado de pertenencia 0.8,
mientras que la botella B probabilista está etiquetada como que contiene con
probabilidad 0.8 un líquido potable. ¿Cuál debería elegir el superviviente?
La botella A indica que el líquido que contiene es bastante similar a otros que son
potables. Naturalmente este valor numérico depende de la función de pertenencia
asociada al concepto de “líquido potable”. Supongamos que la función de
pertenencia asocia 1 al agua pura, por lo que un valor de 0.8 indicaría que la botella
A contiene agua no totalmente pura, pero todavía potable (o al menos no es un
veneno, o algún líquido perjudicial para el organismo).
La probabilidad asociada a la botella B indica que, tras realizar un alto número de

experimentos, el contenido de la botella B es potable el 80% de las veces. Pero,
¿qué ocurre el otro 20% de las veces? En estas ocasiones, el líquido no era potable
y, por tanto, hay un 20% de probabilidad de que mueras bebiendo el líquido de esa
botella porque contenga amoniaco en lugar de agua.
¿Qué debería elegir el superviviente si las botellas estuvieran etiquetadas con

valores de 0?5 fuzzy y 0.5 de probabilidad? En este caso debería rechazar A porque
un grado de pertenencia de 0.5 indicaría que el contenido de la botella no es muy
parecido a los líquidos potables en ese dominio de conocimiento. La botella B
tendría 0.5 de probabilidad de ser potable (también es incertidumbre total), pero
tendría un 50% de probabilidad de que el líquido fuera potable, por lo que debería
jugársela y elegir la botella B.
CARACTERÍSTICAS
El Principio de Incompatibilidad dice que la descripción del comportamiento de un

sistema complejo no puede realizarse de forma absolutamente precisa. Para
solucionar este problema Zadeh plantea la necesidad de obtener herramientas
capaces de manejar de forma rigurosa y fiable información imprecisa, lo cual obliga
a desarrollar dos aspectos:
 Representación de la información imprecisa: Para esto lo que propone es el

empleo de la Teoría de conjuntos difusos. Así como describir la experiencia
de los sistemas complejos en sus relaciones entrada-salida mediante
proposiciones condicionales del tipo Si-Entonces (Ejemplo: Si la presión es
muy alta Entonces vaciamos el recipiente) de manera que las variables de
entrada y las variables de salida quedan ligadas.
 Inferencia sobre información imprecisa: Ahora se necesita una forma de

combinar esta información para obtener nuevos hechos. Entonces Zadeh
establece la necesidad de un método de inferencia generalizado e introduce
lo que se conoce como Regla Composicional de Inferencia.
A partir de este principio, se pueden describir las principales características

esenciales de la lógica difusa y los sistemas difusos:
1. El razonamiento exacto puede verse como un caso particular del

razonamiento aproximado. Cualquier sistema lógico puede ser fuzzificado.
Mediante lógica difusa se puede formular el conocimiento humano de una
forma sistemática, y puede ser fácilmente incluido en sistemas de ingeniería.
2. El conocimiento se interpreta como una colección de restricciones difusas

sobre una colección de variables. Los sistemas difusos son especialmente
interesantes para la definición de sistemas cuyo modelo exacto es difícil de
obtener (es necesario introducir una aproximación).
Figura 1.4: En la actualidad, multitud de productos de consumo (lavadoras,

microondas, cámaras de vídeo, televisores) y sistemas (ascensores, trenes,
motores, frenos, control de tráfico) utilizan internamente métodos de lógica difusa.
3. La inferencia puede verse como un proceso de propagación de estas
restricciones difusas.
4. Se utiliza ampliamente en sistemas de ayuda a la decisión. La

lógica difusa permite obtener decisiones con valores incompletos
o información incierta.
Los sistemas difusos son muy recomendables en aquellos problemas muy

complejos donde no existe un modelo matemático simple asociado. Igualmente, en
procesos que obedecen a un comportamiento no lineal, la solución difusa plantea
grandes ventajas. La solución difusa requiere que el conocimiento experto sea
expresado lingüísticamente, requisito que es normalmente fácil de obtener.
APLICACIONES
Desde mediados de los años 70, la lógica difusa se ha utilizado ampliamente debido
a varios factores. Uno de ellos es que el uso de conocimiento experto permite la
automatización de tareas. En muchas áreas de aplicación se reduce
considerablemente la necesidad de operadores que basan su conocimiento en la
experiencia (y que difícilmente podría ser expresado con ecuaciones diferenciales).
De este modo, si existe un conocimiento del proceso, es posible modelarlo mediante
lógica difusa.
Los sistemas basados en lógica difusa son fáciles de diseñar, modificar y mantener.
Pese a la pérdida de precisión, la reducción de tiempo de desarrollo y
mantenimiento es muy relevante para su uso industrial.
Otro factor a tener en cuenta es que el control difuso permite diseñar soluciones de
alta calidad que eviten las patentes existentes en otros sistemas de control. En
Japón este tipo de controladores se asocia a modernidad, alta calidad y
tecnológicamente potente. En Europa sin embargo se trata de ocultar el término
“difuso” por su significado negativo. En la actualidad multitud de productos de
electrónica de consumo emplean lógica difusa.
Por citar algunos ejemplos de uso, la empresa Japonesa Matsuhita utiliza en sus
lavadoras un sistema de control que determina automáticamente el ciclo de lavado
según el tipo, cantidad de suciedad y tamaño de la colada. Los estabilizadores de
imágenes en sus cámaras digitales incorporan reglas que eliminan las vibraciones
involuntarias de la mano del operario, comparando la imagen actual con las
imágenes anteriores de la memoria. En el ámbito de la automoción, Mitsubishi y
General Motors emplean sistemas de transmisión automática y control de
temperatura basados en lógica difusa.
Otro caso de éxito es el metro de Sendai (Japón), que cuenta con 16 estaciones. El
sistema de control difuso está dividido en dos módulos, uno para el control de la
velocidad y otro para la parada automática. Este controlador difuso ofrece
importantes ventajas sobre los controladores convencionales, como el mayor
confort en el viaje para los pasajeros y menor consumo de energía.
EJEMPLOS DE LOGICA DIFUSA
CONTROL DEL PÉNDULO INVERTIDO
El problema es mantener equilibrada una barra rígida sobre

una plataforma móvil que puede desplazarse en dos
direcciones; izquierda y derecha. Queremos diseñar un
controlador difuso que tomará como entradas el ángulo y la
velocidad angular y dará como salida la velocidad de la
plataforma.
El primer paso es definir las etiquetas de la variable

lingüística velocidad de la plataforma. En este caso
definiremos 5 etiquetas asociadas a sus respectivos
conjuntos difusos como NG (Negativa Grande) NP (Nevativa Pequeña) Z (Cero) PP
(Positiva Pequeño) y PG (Positiva Grande). La Velocidad de la plataforma se define
con el siguiente vector de ajuste:
Velocidad NG = (1= - 3; 1= - 2; 0= - 1)
Velocidad NP = (0= - 2; 1= - 1; 0=0)
Velocidad Z = (0= - 1; 1=0; 0=1)
Velocidad PP = (0=0; 1=1; 0=2)
Velocidad PG = (0=1; 1=2; 1=3)
Empleando la misma notación se definen las funciones de pertenencia para el

ángulo y la velocidad angular, que tienen asociados los siguientes vectores de
ajuste:
Ángulo NG = (1= 􀀀 45; 1= 􀀀 30; 0= 􀀀 15)

Ángulo NP = (0= 􀀀 30; 1= 􀀀 15; 0=0)
Ángulo Z = (0= 􀀀 15; 1=0; 0=15)
Ángulo PP = (0=0; 1=15; 0=30)
Ángulo PG = (0=15; 1=30; 1=45)
Velocidad Angular NG = (1= - 1;5; 1= - 1; 0= - 0;5)

Velocidad Angular NP = (0= - 1; 1= - 0;5; 0=0)
Velocidad Angular Z = (0= - 0;5; 1=0; 0=0;5)
Velocidad Angular PP = (0=0; 1=0;5; 0=1)
Velocidad Angular PG = (0=0;5; 1=1; 1=1;5)
La base de reglas del controlador se puede representar en una tabla llamada Fyzzy
Associative Memory (FAM) como:
Por ejemplo, la regla 2 anterior se interpretaría como:
Si (Ángulo es Zero) y (Velocidad Angular es Positiva Pequeña) Entonces (Velocidad

de Plataforma será Positiva Pequeña).
Es decir, aunque el péndulo está en la posición correcta, se está moviendo

lentamente en sentido positivo, por lo que se hace necesario mover la plataforma
lentamente en la misma dirección para compensar este movimiento.
Suponiendo que tenemos los siguientes valores de entrada Ángulo=

3.75, Velocidad Angular=-0.3. ¿Qué velocidad se el aplicaría a la
plataforma empleando inferencia de Mamdani y el centroide como método
de defuzzificación?
PROPINA AL MESONERO
El conocimiento experto de un comensal de un restaurante se modela mediante un

sistema de reglas difusos. El sistema cuenta con dos variables de entrada Servicio
(Calidad del Servicio, que se evalúa de 0 a 10), y Comida (Calidad de la Comida,
que se evalúa igualmente de 0 a 10). El porcentaje de propina se modela con la
variable Propina (definida entre 5% y 25% del precio total).
A la variable de entrada Servicio le asociaremos tres conjuntos difusos asociados a

las etiquetas lingüísticas Pobre, Bueno y Excelente. Estos conjuntos se definirán
empleando una función Gausiana Simple1, con la siguiente especificación:
Pobre = m = 0; _ = 1;5
Bueno = m = 5; _ = 1;5
Excelente = m = 10; _ = 1;5
La calidad de la comida tendrá asociada dos conjuntos difusos, con las etiquetas
Rancia y Deliciosa. Estos conjuntos se definirán mediante funciones trapezoidales,
con la siguiente especificación según sus vectores de ajuste:
Rancia = (1=0; 1=1; 0=3)

Deliciosa = (0=7; 1=9; 1=10)
De forma análoga, la Propina estará definida sobre tres conjuntos difusos con las
etiquetas Tacaña, Promedio y Generosa. Estos conjuntos se definirán mediante
funciones triangulares, con la siguiente según sus vectores de ajuste:
Tacaña = (0=0; 1=5; 0=10)

Promedio = (0=5; 1=15; 0=25)
Generosa = (0=20; 1=25; 0=30)
El sistema de reglas que modela el conocimiento experto del comensal está basado
en tres reglas, con la siguiente especificación:
R1 : Si servicio es pobre _ comida es rancia ! propina es tacaña

R2 : Si servicio es bueno ! propina es promedio
R3 : Si serv. es excel. _ comida es deliciosa ! propina es generosa
Dada una calificación de Servicio=3 y Comida=8, calcule la propina para el

camarero empleando:
a) Un modelo de Inferencia de Mamdani, empleando el centroide como

mecanismo de deborrosificación.
b) Un modelo de Inferencia TSK, empleando singletones definidos en el valor

máximo de cada conjunto de salida y la media de los pesos como mecanismo
de agregación de los consecuentes.

Logica Difusa Ejemplos

Cargado por

Copyright:

Formatos disponibles

Logica Difusa Ejemplos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Logica Difusa Ejemplos

Cargado por

Copyright:

Formatos disponibles

ESCUELA PROFESIONAL DE INGENIERÍA

¿QUÉ ES LA LÓGICA DIFUSA?

Básicamente la Lógica Difusa es una lógica multivaluada que permite representar

Básicamente, cualquier problema del mundo puede resolverse como dado un

DIFERENCIAS CON PROBABILIDAD

Los conceptos empleados en Lógica Difusa y Probabilidad

Veamos un ejemplo, un superviviente de un accidente de avión se encuentra en

La probabilidad asociada a la botella B indica que, tras realizar un alto número de

¿Qué debería elegir el superviviente si las botellas estuvieran etiquetadas con

El Principio de Incompatibilidad dice que la descripción del comportamiento de un

 Representación de la información imprecisa: Para esto lo que propone es el

 Inferencia sobre información imprecisa: Ahora se necesita una forma de

A partir de este principio, se pueden describir las principales características

1. El razonamiento exacto puede verse como un caso particular del

2. El conocimiento se interpreta como una colección de restricciones difusas

Figura 1.4: En la actualidad, multitud de productos de consumo (lavadoras,

4. Se utiliza ampliamente en sistemas de ayuda a la decisión. La

Los sistemas difusos son muy recomendables en aquellos problemas muy

CONTROL DEL PÉNDULO INVERTIDO

El problema es mantener equilibrada una barra rígida sobre

El primer paso es definir las etiquetas de la variable

Empleando la misma notación se definen las funciones de pertenencia para el

Ángulo NG = (1= 􀀀 45; 1= 􀀀 30; 0= 􀀀 15)

Velocidad Angular NG = (1= - 1;5; 1= - 1; 0= - 0;5)

Si (Ángulo es Zero) y (Velocidad Angular es Positiva Pequeña) Entonces (Velocidad

Es decir, aunque el péndulo está en la posición correcta, se está moviendo

Suponiendo que tenemos los siguientes valores de entrada Ángulo=

El conocimiento experto de un comensal de un restaurante se modela mediante un

A la variable de entrada Servicio le asociaremos tres conjuntos difusos asociados a

Rancia = (1=0; 1=1; 0=3)

Tacaña = (0=0; 1=5; 0=10)

R1 : Si servicio es pobre _ comida es rancia ! propina es tacaña

Dada una calificación de Servicio=3 y Comida=8, calcule la propina para el

a) Un modelo de Inferencia de Mamdani, empleando el centroide como

b) Un modelo de Inferencia TSK, empleando singletones definidos en el valor

También podría gustarte