APUNTES DE SISTEMAS DIFUSOS

Contenido
UNIDAD I INTRODUCCIN A LA LGICA DIFUSA ........................................................ 3
1.1 Antecedentes Histricos ...................................................................................... 3
1.2 Sistemas de Control Difuso ................................................................................. 6
1.3 Caractersticas de los Sistemas de Control difuso ............................................... 8
1.4 Diferencia entre los Sistemas Convencionales y la Lgica Difusa ....................... 9
1.5 Ventajas y Desventajas de la Lgica Difusa y el Control D ifuso .......................... 9
Unidad II Conceptos Bsicos de la Lgica Difusa ........................................................... 14
2.1 Conjunto Crisp y Difuso .......................................................................................... 14
Conjuntos Difusos ..................................................................................................... 15
2.2 Funciones de pertenencia ...................................................................................... 16
2.3 Operaciones unarias sobre conjuntos difusos ........................................................ 21
2.4 Relaciones sobre conjuntos difusos ....................................................................... 23
2.5 El principio de extensin ......................................................................................... 24
UNIDAD III VARIABLES LINGSTICAS ....................................................................... 29
3.1 Operaciones con Conjuntos Difusos ....................................................................... 29
3.1.1 Normas y Conormas Triangulares ................................................................... 29
3.|.2 t-norma, s-norma del mnimo / mximo ............................................................. 29
3.2 Operaciones de Agregacin ................................................................................... 29
3.3 Negacin y Comparacin ....................................................................................... 29
3.4 Variables lingsticas .............................................................................................. 29
3.5 Modificadores lingsticos ...................................................................................... 29
3.6 Inferencias .............................................................................................................. 29
Bibliografa .................................................................................................................. 33



UNIDAD I INTRODUCCIN A LA LGICA DIFUSA

1.1 Antecedentes Histricos

Historia de la Lgica Borrosa
Parece que la Lgica Borrosa es algo reciente y en lo que se lleva trabajando poco tiempo
pero sus orgenes se remontan a los tiempos de los filsofos Aristteles y Platn. Ellos
son los primeros en considerar que las cosas no tienen porqu ser de un cierto tipo o
dejar de serlo, sino que hay una escala intermedia entre los dos extremos. Es ms son los
pioneros en considerar que existan diferentes grados de verdad y falsedad.
Ejemplo: En el caso de los colores, entre el blanco y el negro hay una escala de
tonalidades grises.
Despus de stos, en el siglo XVIII, David Hume e Immanuel Kant continuaron pensando
estas ideas. Ambos concluyeron en que el razonamiento se adquiere gracias a las
vivencias a lo largo de nuestra vida. Hume crea en la lgica del sentido comn y Kant
pensaba que slo los matemticos podan proveer definiciones claras y que por lo tanto
haba principios contradictorios que no tenan solucin. Uno de los ejemplos dados por
Kant es que, la materia poda ser dividida infinitamente, pero al mismo tiempo no poda
ser dividida infinitamente. En conclusin, ambos detectaron algunos principios
contradictorios en la Lgica Clsica.
A principios del siglo XX, el filsofo y matemtico britnico Bertrand Russell divulg la idea
de que la lgica produce contradicciones. Realiz un estudio sobre las vaguedades del
lenguaje, concluyendo con precisin que la vaguedad es un grado. Tambin en este
tiempo Ludwing Wittgenstein, estudi las diferentes acepciones que tiene una misma
palabra. ste lleg a la conclusin de que en el lenguaje una misma palabra expresa
modos y maneras diferentes.

Jan Lukasiewicz
En 1920 Jan Lukasiewicz, desarroll la primera lgica de vaguedades.
Para l los conjuntos tienen un posible grado de pertenencia con
valores que oscilan entre 0 y 1, y en este intervalo existen un nmero
infinito de valores.
El padre del trmino "borroso" fue Lofti Asier Zadeh cuando en 1965 public "Fuzzy Sets"
(Conjuntos Difusos).
Las tesis que propone surgen del estudio de pensadores de distintas
disciplinas que como l, tenan una visin de los problemas diferente de la
lgica tradicional. La paradoja del conjunto de Bertrand Russell, el principio
de incertidumbre de la fsica cuntica de Werner Heisenberg, la teora de los
conjuntos vagos de Max Black y la aportacin de Jan Lukasiewiz, influyeron
para que Zadeh publicase el ensayo "Fuzzy Sets" en la revista "Information
and Control" y tres aos despus en 1968, "Fuzzy Algorithm".

Lofti A. Zadeh
Al comienzo las ideas publicadas por Zadeh no fueron seguidas por la comunidad
cientfica del momento, pero con el tiempo comenz a tener seguidores lo que produjo
que sus teoras fuesen ampliadas y se asentaran sus conocimientos.
La intencin de Zadeh era la creacin de un formalismo para manejar de forma ms
eficiente la imprecisin del razonamiento humano. Es en 1971, cuando realiza la
publicacin de "Quantitative Fuzzy Semantics" en donde aparecen los elementos formales
que dan lugar a la metodologa de la Lgica Borrosa y de sus aplicaciones tal y como se
conocen en la actualidad.
A partir de 1973, con la teora bsica de los controladores borrosos de Zadeh, otros
investigadores comenzaron a aplicar la Lgica Borrosa a diversos procesos. Se
establecen varios grupos de investigacin en lgica difusa en algunas pequeas
universidades japonesas; los profesores Terano y Shibata en Tokio y los profesores
Tanaka y Asai en Osaka hacen grandes aportaciones tanto al desarrollo de la teora de la
Lgica Borrosa como al estudio de sus aplicaciones.

E.H. Mamdani
En 1974 Assilian y Mamdani en el Reino Unido desarrollaron el primer
controlador difuso diseado para la mquina de vapor. La implantacin
real de un controlador de este tipo no fue realizada hasta 1980 por F.L.
Smidth & Co. en una planta cementera en Dinamarca.
En 1987 Hitachi usa un controlador fuzzy para el control del tren de Sendai, el cual usa
uno de los sistemas ms novedosos creados por el hombre. Desde entonces, el
controlador ha realizado su trabajo correctamente con la consiguiente satisfaccin por
parte de los usuarios de dicho tren. Es tambin en este ao cuando la empresa Omron
desarrolla los primeros controladores difusos comerciales y es que 1987 es considerado
como el "fuzzy boom" debido a la gran cantidad de productos basados en Lgica Borrosa
que se comercializan.
En 1993, Fuji aplica la Lgica Borrosa para el control de inyeccin qumica en plantas
depuradoras de agua por primera vez en Japn. Ha sido precisamente aqu, en donde
ms apogeo ha tenido la Lgica Borrosa, crendose estrechas colaboraciones entre el
gobierno, las universidades y las industrias, estableciendo proyectos llevados a cabo por
el Ministerio de Industria y Comercio (MITI) y la Agencia de Ciencia y Tecnologa (STA) en
consorcio con el Laboratory for International Fuzzy Engineering Research (LIFE).
De forma paralela al desarrollo de las aplicaciones de la lgica difusa, Takagi y Sugeno
desarrollan la primera aproximacin para construir reglas fuzzy a partir de datos de
entrenamiento.
Otro factor decisivo para continuar con la investigacin de este campo es el inters en las
redes neuronales y su semejanza con los sistemas fuzzy. Se buscan relaciones entre las
dos tcnicas obtenindose como resultado los sistemas neuro-fuzzy, que usan mtodos
de aprendizaje basados en redes neuronales para identificar y optimizar sus parmetros.
Para finalizar, aparecen los algoritmos genticos que sumados a las redes neuronales y
los sistemas fuzzy son herramientas de trabajo muy potentes en el campo de los sistemas
de control.


A mediados de la dcada de 1960, Lotfi A. Zadeh (nacido en 1921 en Azerbaiyn), de la
Universidad de California en Berkeley, EE.UU., invent la teora de los conjuntos
borrosos. Sostuvo que, ms a menudo que no, las clases de objetos encontrados en el
mundo fsico real tienen imprecisa criterios definidos para la adhesin (Zadeh, 1965). Por
ejemplo, los nmeros de la "clase de dicha son mucho mayores que 1 ", o la" clase de los
seres humanos de altura 'tienen lmites mal definidos. Sin embargo, dichas clases
definidas sin precisin juegan un papel importante en el razonamiento humano y la
comunicacin.
Ebrahim (Abe) H. Mamdani, un ingeniero de control en el Queen Mary College de Londres
(ahora Profesor emrito del Imperial College), estaba tratando de desarrollar un sistema
adaptativo que podra aprender a controlar un proceso industrial (Figura 1.6). l utiliz una
mquina de vapor como modelo de laboratorio, y con sus colegas cre un programa que
ensee la computadora para el control de la mquina de vapor mediante el control de un
operador humano. En este punto, estudiante de investigacin de Mamdani, Seto Assilian,
trat de aplicar la lgica difusa. Cre una serie de reglas simples en trminos difusos y
Mamdani y Assilian luego estudiaron formas de utilizar reglas difusas de dedo
directamente en la automatizacin de los procesos de control. Unos aos ms tarde,
Mamdani y Procyk desarrollaron una controlador lingstico de auto-organizacin (Procyk
y Mamdani 1979). Se trataba de un controlador adaptativo que fue capaz de aprender a
controlar una amplia variedad de procesos, no lineal y de mltiples variables, en un
tiempo relativamente corto. Se llama "auto-organizacin" porque en ese momento el
significado de las palabras "adaptable" y "aprendizaje" no se haba sin embargo, ha
acordado.
El trabajo de los pioneros llev a una creciente literatura en control difuso y aplicaciones
de gran alcance, como ilustra la Tabla 1.1.
En Japn, Michio Sugeno (1989) desarroll un controlador difuso de auto-aprendizaje.
Veinte reglas de control determinaban el movimiento de un modelo de coche. Cada regla
recomienda un cambio especfico en la direccin, basndose en la distancia del vehculo
de las paredes de un pasillo. El controlador conduce el coche a travs de corredores en
ngulo, despus de una sesin de aprendizaje en el que un "instructor de manejo" lo lleva
a travs de la ruta de un par de veces. Controladores de autoaprendizaje que se derivan
de sus propias reglas automticamente son interesantes, ya que pueden reducir el
esfuerzo necesario para la traduccin de la experiencia humana en una base de reglas.
La primera aplicacin industrial fue en 1978, cuando un controlador borroso estaba
operando en lazo cerrado en un horno de cemento rotatorio en Dinamarca. El control
difuso se convirti entonces en un producto comercial de la empresa de cemento de
Dinamarca F.L. Smidth & Co. El programa de investigacin de control difuso en
Dinamarca se inici en 1974 (Larsen 1981).



1.2 Sistemas de Control Difuso
El diccionario de sinnimos tiene los siguientes sinnimos de "fuzzy": mal definidas,
indefinido, confuso, oscuro, confuso, vago, y as sucesivamente. Estas son palabras que
la gente de habla inglesa asocia con la lgica fuzzy, control difuso, identificacin borrosa y
sistemas difusos. No son palabras que cualquiera querra asociados con los sistemas de
ingeniera, en la que puede depender de grandes sumas de dinero, o incluso peor an, las
vidas de personas. Es lamentable que la palabra "fuzzy" fue elegida para describir el tipo
de identificacin y control descritos en este libro. Los japoneses no tienen tales
connotaciones negativas asociadas a la palabra "fuzzy", por lo tanto, los sistemas de, la
utilizacin de identificacin y control difuso son mucho ms frecuentes en Japn que en
pases de habla Inglesa.
La lgica difusa, como se ver en el captulo 3, se inspira en el proceso de razonamiento
humano. Por lo tanto, la lgica difusa es lo ms "difusa" como los humanos. Un sistema
bien diseado utilizando la lgica difusa para realizar una tarea es ms o menos tan fiable
en la realizacin de la tarea como un humano competente en llevar a cabo la tarea sera.
Dos sistemas difusos diseadas por diferentes diseadores para realizar la misma tarea
pueden realizarla ligeramente diferente, dependiendo de varias selecciones en los
diseos. Esta diferencia es anloga a la diferencia que existira cuando dos personas
diferentes realizan la tarea, o incluso la misma persona en diferentes das. Por ejemplo,
dos pilotos aterrizaran un avin ligeramente diferente, pero cada uno puede aterrizar
infaliblemente cada vez.
Tradicionalmente, los ordenadores hacen decisiones rgidos del tipo s o no, a travs de
reglas de decisin basadas en la lgica de dos valores: verdadero o falso, s o no, o 1-0.
Un ejemplo es un acondicionador de aire con control del termostato que reconoce slo
dos estados: por encima de la temperatura deseada o por debajo de la temperatura
deseada. La lgica difusa, por otro lado, permite una graduacin de verdadero a falso. Un
acondicionador de aire difuso puede reconocer una temperatura ambiente "caliente" y
"fro". Las reglas detrs de esto son menos precisas, por ejemplo: Si la temperatura
ambiente es clido y ligeramente creciente, aumente el enfriamiento.
Muchas clases o conjuntos tienen lmites difusos y no aguda, y esta es la base
matemtica de la lgica difusa, el conjunto de medidas de temperatura "caliente" es un
ejemplo de un conjunto difuso.
El ncleo de un controlador difuso es un conjunto de reglas verbales o lingsticas de la
forma si-entonces. Diversas variables pueden ocurrir en cada regla, tanto en el caso de
lado y el lado entonces.
Como reflejo de las opiniones de expertos, las reglas pueden llevar el razonamiento
utilizado por los ordenadores ms cerca al de los seres humanos.
En el ejemplo del acondicionador de aire difuso, el controlador funciona sobre la base de
una medicin de temperatura. La temperatura ambiente es slo un nmero, y se necesita
ms informacin para decidir si la habitacin est caliente. Por lo tanto, el diseador debe
incorporar la percepcin de un ser humano de temperaturas ambiente clido. Una
implementacin directa es evaluar de antemano todas las mediciones de temperatura
posibles. Por ejemplo, en una escala de 0 a 1, clido corresponde a 1 y no clido
corresponde a 0:
Medidas ( C):. . . 15 17 19 21 23 25 27. . .
| | | | | | |
Grado: . . . 0 0,1 0,3 0,5 0,7 0,9 1. . .
El ejemplo utiliza mediciones de temperatura discretas, mientras que la figura 1.1 muestra
la misma idea grficamente en la forma de una aplicacin continua de mediciones de
temperatura a los valores de verdad. El mapeo es arbitrario, es decir, basado en la
preferencia y la razn no matemtica.

Fig. 1.1 Un sistema de lgica difusa el cual acepta datos imprecisos y vagos, tales como bajo, medio,
alto y provee decisiones.


Fig. 1.2 Configuracin de un sistema difuso puro.

1.3 Caractersticas de los Sistemas de Control difuso
Los sistemas difusos pueden ser usados para estimar, tomar decisiones y sistemas de
control, tales como aire acondicionado, controles de automviles e inclusive casas
inteligentes, tambin como controladores de procesos industriales as como alojar otras
aplicaciones. (McNeill)

Fig. 1.3 Estructura bsica de un controlador difuso.

1.4 Diferencia entre los Sistemas Convencionales y la
Lgica Difusa
Algunas de las caractersticas principales de la lgica difusa son: (Alavala, 2008)
Basada en palabras, no basada en nmeros. Por ejemplo caliente, no 85.
El razonamiento exacto es visto como un caso limitante del razonamiento
aproximado.
Todo es cuestin de grado. El conocimiento es interpretado como una coleccin
de restricciones elsticas o difusas, sobre una coleccin de variables.
La inferencia es vista como un proceso de propagacin de restricciones elsticas.
Cualquier sistema lgico puede ser fusificado.
Hay dos caractersticas principales de los sistemas difusos que les dan mejor desempeo
para aplicaciones especficas:
Los sistemas difusos son adecuados para razonamiento incierto o aproximado,
especialmente para los sistemas con un modelo matemtico que es difcil de
derivar.
La lgica difusa permite tomar decisiones con valores estimados bajo informacin
incompleta o incierta.

1.5 Ventajas y Desventajas de la Lgica Difusa y el
Control D ifuso
Ventajas: (McNeill, 1994)
Pocos valores, reglas y decisiones son requeridos.
Ms variables observadas pueden ser evaluadas.
Son utilizadas variables lingsticas, no numricas, hacindolo similar a la forma
humana de pensar.
Relaciona la salida con la entrada, sin tener que entender todas las variables,
permitiendo el diseo de un sistema que puede ser ms exacto y estable que uno
con un sistema de control convencional.
La simplicidad permite la solucin de problemas que no se haban resuelto
previamente.
Es posible realizar prototipos rpidamente porque el diseador del sistema no
tiene que saber todo acerca del sistema antes de empezar a trabajar.
Son ms baratos de hacer que los sistemas convencionales porque son ms
fciles de disear.
Son muy robustos.
Simplifican la adquisicin y representacin del conocimiento.
Unas pocas reglas comprenden una gran complejidad.
Buenos resultados en procesos no lineales y de difcil modelado.
Desventajas:
Es difcil desarrollar un modelo a partir de un sistema difuso.
Si ya se tiene un buen modelo del proceso, usualmente se obtienen mejores
resultados con un sistema de control convencional.
A pesar de que son ms fciles de disear y de realizar un prototipo que los
sistemas de control convencionales, los sistemas difusos requieren ms
simulacin y ajuste fino antes de que sean operacionales.
Quizs la mayor desventaja es el sesgo cultural en los Estados Unidos en favor de
la precisin matemtica o sistemas crisp y modelos lineales para sistemas de
control.
























Unidad II Conceptos Bsicos de la Lgica Difusa

2.1 Conjunto Crisp y Difuso
Conjuntos clsicos
Segn Cantor, un conjunto X es una coleccin de objetos definidos, distinguibles de
nuestra intuicin de que pueden ser tratados en su conjunto. Los objetos son los
miembros de X. 'objetos de nuestra intuicin "El concepto nos da una gran libertad de
eleccin, incluso con respecto a los conjuntos con un nmero infinito de usuarios. Los
objetos deben ser 'definida': dado un objeto y un conjunto, que debe ser posible para
determinar si el objeto es, o no es, un miembro del conjunto. Los objetos tambin deben
ser 'distinguibles': dado un conjunto y sus miembros, debe ser posible para determinar si
cualquiera de los dos miembros son diferentes o el mismo.
Los miembros definen completamente un conjunto. Para determinar la pertenencia, es
necesario que la frase 'x es un miembro de X', donde x se sustituye por un objeto y X por
el nombre de un conjunto, sea verdadera o falsa. Utilizamos el smbolo y escritura x X
si el objeto x es un elemento del conjunto X. La suposicin de que los miembros
determinan un conjunto es equivalente a decir, 'dos conjuntos X e Y son iguales, X = Y, si
y slo si (si y slo si) tienen los mismos miembros.
El conjunto cuyos miembros son los objetos x1, x2,. . . , Xn se escribe como
{x1, x2, . . . , xn}
En particular, el conjunto sin miembros es el conjunto vaco simbolizado por . El conjunto
X se incluye en Y, X Y , si y slo si cada miembro de X es un miembro de Y. Tambin
decimos que X es un subconjunto de Y, y esto significa que, para todo x, si x X,
entonces x Y. El conjunto vaco es un subconjunto de cada conjunto.
Casi cualquier cosa que se denomina conjunto en la conversacin ordinaria es aceptable
como un conjunto matemtico, como el siguiente ejemplo indica.
Las siguientes son listas o colecciones de objetos definidos y reconocibles, y por lo tanto
se pone en el sentido matemtico:
(a) El conjunto de los nmeros enteros no negativos de menos de 3. Este es un conjunto
finito con tres miembros: {0, 1, 2}.
(b) El conjunto de los dinosaurios vivos en el stano del Museo Britnico. Este conjunto no
tiene miembros y es el conjunto vaco .
(c) El conjunto de las mediciones de ms de 10 voltios. A pesar de que este conjunto es
infinito, es posible determinar si una medicin dada es un miembro.
(d) El conjunto {0, 1, 2} es el conjunto de (a). Desde {0, 1, 2} y {2, 1, 0} tienen los mismos
miembros, que son conjuntos iguales. Por otra parte, {0, 1, 2} = {0, 1, 1, 2} por la misma
razn.
(e) Los miembros de un grupo pueden ser ellos mismos conjuntos. El conjunto
X = {{1, 3} , {2, 4} , {5, 6}}
es un conjunto con tres miembros, a saber, {1, 3}, {2, 4} y {5, 6}. Matlab soporta conjuntos
de conjuntos o conjuntos anidados, en arreglos de celdas.
(f) Es posible en Matlab para asignar un conjunto vaco, por ejemplo, x = {[]}.
Aunque la notacin {} es prctica para listar conjuntos de unos pocos elementos, es poco
prctico para grandes conjuntos e imposible para los conjuntos infinitos. Cmo se define
un conjunto con un gran nmero de miembros?
Como respuesta se requiere un poco ms de conceptos por definir. Una proposicin es
una afirmacin (declaracin declarativa) que puede ser clasificado como verdadera o
falsa. Por un predicado en x entendemos una afirmacin formadas utilizando una frmula
en x. Por ejemplo, '0 <x 3 ', o 'x> 10 voltios' son predicados. Ellos no son proposiciones,
sin embargo, ya que no son necesariamente verdadero o falso. Slo si se le asigna un
valor a la variable x, cada predicado se convierte en una proposicin. Un predicado P (x)
en x define un conjunto X en el convenio que los miembros de X son exactamente esos
objetos a tal que P (a) es cierto. En notacin matemtica,
{x | P(x)}
es "el conjunto de todas las x tales que P (x) es verdadera. Por lo tanto a {x | P (x)} si y
slo si P (a) es una proposicin verdadera.
Conjuntos Difusos
Un sistema en el que las propuestas deben ser verdaderas o falsas, utiliza una lgica
bivaluada. Como consecuencia de ello, lo que no es cierto es falso y viceversa, lo que es
la ley del tercero excluido. Pero la lgica de dos valores es slo una aproximacin al
razonamiento humano, como se observa Zadeh:
Es evidente que la "clase de todos los nmeros reales que son mucho mayores que 1", o
"la clase de las mujeres hermosas", o "la clase de los hombres altos", no constituyen
clases o conjuntos en el sentido matemtico usual de estos trminos. (Zadeh, 1965)
Podramos llamarlo el desafo de Zadeh, porque se centra en la elasticidad en el sentido
de trminos como "mucho", "bello" y "alto". Para definir el conjunto de los hombres altos
como un conjunto clsico, se podra usar un predicado P (x), por ejemplo x 176, donde x
es la altura de una persona, y el lado de la mano derecha de la desigualdad es un valor
umbral en centmetros (176 cm, aprox. 5 pies 9 pulgadas). Esta es una aproximacin
abrupta con el significado de 'alto'.
Siguiendo a Zadeh, un grado de pertenencia permite mayor detalle, de modo que la
transicin de la pertenencia a la no pertenencia a un conjunto es gradual y no abrupta. El
grado de pertenencia de todos los miembros define un conjunto difuso (Figura 2.1).
Definicin. Conjunto Difuso: Dada una coleccin de objetos de U, un conjunto difuso A en
U se define como un conjunto de pares ordenados
A { (x, A (x)) | X U}, (2.1)
donde A (x) se llama la funcin de pertenencia para el conjunto de todos los objetos x en
U.
La funcin de pertenencia relaciona a cada x con un grado de pertenencia A (x), un
nmero real en el intervalo cerrado [0, 1].

2.2 Funciones de pertenencia

Funcin Triangular
Definida mediante el lmite inferior a, el superior b y el valor modal m, tal que a<m<b. La
funcin no tiene porqu ser simtrica.

Definida por sus lmites inferior a, superior d, y los lmites de soporte inferior b y
superior c, tal que a<b<c<d.
En este caso, si los valores de b y c son iguales, se obtiene una funcin triangular

Casos especiales de estas funciones trapezoidales son aqullas en las que algunos
parmetros toman valores no finitos:
Funciones Trapezoidales con parmetros a = b = -

Funciones Trapezoidales que tienen los parmetros c = d = +



Funcin Gamma
Definida por su lmite inferior a y el valor k>0. Esta funcin se caracteriza por un rpido
crecimiento a partir de a; cuanto mayor es el valor de k, el crecimiento es ms rpido.
Nunca toma el valor A (x) = 1, aunque tienen una asntota horizontal en dicho valor.


Ejemplo
Cuando los valores de los parmetros son a = 5 y k = 3, se obtienen las siguientes
funciones:



Funcin Sigmoidal
Definida por sus lmites inferior a, superior b y el valor m o punto de inflexin, tales que a<m<b. El crecimiento
es ms lento cuanto mayor sea la distancia a-b. Para el caso concreto de m=(a+b)/2, que es lo usual, se
obtiene la siguiente grfica.

Ejemplo
Cuanto se toma el valor de a = 3, el valor de b = 10 y m = (3+10)/2 = 6.5 se obtiene la
siguiente grfica:


Funcin Gaussiana
Definida por su valor medio m y el parmetro k>0.
Esta funcin es la tpica campana de Gauss y cuanto mayor es el valor de k, ms
estrecha es dicha campana.

Ejemplo
Para los valores k = 5 y m = 3:

Funcin Pseudo-Exponencial
Definida por el valor medio m y el parmetro k>1. Cuanto mayor es el valor de k, el
crecimiento es ms rpido y la campana es ms estrecha.


Ejemplo
Para los valores de k = 4 y m = 7 se obtiene:

Funcin Singleton

(Alavala, 2008)



(Pedrycz, 2007)

2.3 Operaciones unarias sobre conjuntos difusos
(Alavala, 2008)


Min (inf)
Max (sup)
2.4 Relaciones sobre conjuntos difusos




2.5 El principio de extension











UNIDAD III VARIABLES LINGSTICAS

3.1 Operaciones con Conjuntos Difusos

3.1.1 Normas y Conormas Triangulares

3.1.2 t-norma, s-norma del mnimo / mximo

3.2 Operaciones de Agregacin

3.3 Negacin y Comparacin

3.4 Variables lingsticas

3.5 Modificadores lingsticos

3.6 Inferencias


Sistemas Neurodifusos
Permiten incorporar conocimiento previo.
Son sistemas difusos que se entrenan mediante un algoritmo, normalmente derivado de la
teora de redes neuronales.
Pueden ser vistos como redes neuronales con capas ocultas.
Presentan las ventajas de los dos sistemas anteriores.
Elementos que las constituyen:
Una capa de entrada, capas ocultas y capa de salida, segn la arquitectura utilizada.
Funciones de activacin de los nodos de las capas, correspondientes a funciones difusas.
Matriz de interconexiones entre capas.
The Adaptive Neuro-Fuzzy Inference System (ANFIS), developed in the early 90s by Jang [3], combines the
concepts of fuzzy logic and neural networks to form a hybrid intelligent system that enhances the ability to
automatically learn and adapt. Hybrid systems have been used by researchers for modeling and predictions in
various engineering systems. The basic idea behind these neuro-adaptive learning techniques is to provide a
method for the fuzzy modeling procedure to learn information about a data set, in order to automatically
compute the membership function parameters that best allow the associated FIS to track the given input/output
data. The membership function parameters are tuned using a combination of least squares estimation and
back-propagation algorithm for membership function parameter estimation. These parameters associated with
the membership functions will change through the learning process similar to that of a neural network. Their
adjustment is facilitated by a gradient vector, which provides a measure of how well the FIS is modeling the
input/output data for a given set of parameters. Once the gradient vector is obtained, any of several
optimization routines could be applied in order to adjust the parameters so as to reduce error between the
actual and desired outputs. This allows the fuzzy system to learn from the data it is modeling. The approach
has the advantage over the pure fuzzy paradigm that the need for the human operator to tune the system by
adjusting the bounds of the membership functions is removed.

Adaptive Neuro-Fuzzy principle
A typical architecture of an ANFIS is shown in Figure 2, in which a circle
indicates a fixed node, whereas a square indicates an adaptive node. For
simplicity, we consider two inputs x, y and one output z. Among many FIS
models, the Sugeno fuzzy model is the most widely applied one for its high
interpretability and computational efficiency, and built-in optimal and adaptive
techniques. For a first order Sugeno fuzzy model, a common rule set with two
fuzzy ifthen rules can be expressed as:
Rule 1: if x is A1 and y is B1 , then
Rule 2: if x is A2 and y is B2 , then
(4)
where Ai and Bi are the fuzzy sets in the antecedent, and pi, qi and ri are the
design parameters that are determined during the training process. As in Figure
2, the ANFIS consists of five layers [8]:

Figure 2. Corresponding ANFIS Architecture

Layer 1: Every node i in the first layer employ a node function given by:
Oi
1
= Ai(x), i = 1, 2
Oi
1
= Bi=2(y), i = 3, 4
(5)
where Ai and Bi can adopt any fuzzy membership function (MF).
Layer 2: Every node in this layer calculates the firing strength of a rule via
multiplication:

(6)
Layer 3: The i-th node in this layer calculates the ratio of the i-th rules firing
strength to the sum of ail rules firing strengths:

(7)
where is referred to as the normalized firing strengths.
Layer 4: In this layer, every node i has the following function:
i = 1, 2
(8)
where is the output of layer 3, and { pi, qi, ri} is the parameter set. The
parameters in this layer are referred to as the consequent parameters.
Layer 5: The single node in this layer computes the overall output as the
summation of all incoming signals, which is expressed as:

(9)
The output in Fig. 3 can be rewritten as [9, 10]:

(10)


Referencias:
Bibliografa
Bibliografa
Alavala, C. (2008). Fuzzy Logic and Neural Networks, Basic Concepts and Applications.
New Delhi: New Age International Publishers.
McNeill, F. (1994). Fuzzy Logic, A Practical Approach. Chestnut Hill, MA: Academic Press.
Pedrycz, W. (2007). Fuzzy Systems Engineering : Toward Human-Centric Computing.
New Jersey: John Wiley & Sons.