Introduccin fuzzy logic - Upiita
Introduccin fuzzy logic - Upiita
Introduccin fuzzy logic - Upiita
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Introducción a Sistemas difusos<br />
El mundo real es complejo y conforme vamos conociéndolo, lo vamos<br />
entendiendo y vamos aprendiendo a interactuar.<br />
¿Te acuerdas cuando aprendiste a andar en bici?¿cuantas veces te caíste?¿que aprendías<br />
o como modificabas tu manera de intentarlo? Y cuando te volviste un experto, ¿Cómo le<br />
enseñaste a tu hermano, hermana o amigo?<br />
Y ¿como le explicas a tu cuate, como jugar en tu juego de video favorito? Le dices,<br />
tantos golpes en X, mueve la palanca 1.2 cm hacia arriba, etc. ¡NO!, le dices, ¡hacia<br />
arriba! Más a la derecha, pegale!, pegale! ¡Más!, ¡más! Y el tiene que decidir cuanto a la<br />
derecha, cuantas veces apretar el botón X. Si analizamos la situación, no le damos<br />
ordenes precisas solo le decimos hacia donde. Los humanos tenemos la capacidad de<br />
razonar y tomar decisiones a partir de situaciones con incertidumbre.<br />
La ambigüedad y generalización de los sistemas complejos son suficientes para la<br />
comprensión humana. “Entre más de cerca vez al mundo real, más ambigua es la<br />
solución” [Zadeh, 1973]<br />
Conforme aprendemos de los sistemas, la complejidad decrece y entendemos mejor al<br />
sistema. Además podemos hacer representación de los sistemas y los métodos<br />
computacionales permiten tener mayor precisión.<br />
Si son sistemas poco complejos → un modelo matemático representado a través de<br />
ecuaciones matemáticas, te permitirá entender o controlar un sistema.<br />
Si el sistema es más complejo → un método sin modelo representado a través de la<br />
relación entre la entrada y la salida esperada, permite identificar patrones o<br />
características del sistema, como es el caso de las redes neuronales.<br />
Si el sistema es más aún complejo → un sistema <strong>fuzzy</strong> puede ser la solución, porque a<br />
partir de reglas de inferencia es capaz de identificar comportamiento y tomar decisiones.<br />
Aun sin tener una idea clara del proceso de decisión, Esta técnica es altamente<br />
imprecisa, pero si se combina con otras puede ser muy poderosa.<br />
Y si es tan poderosa, por que en occidente nos da miedo usarla para controlar cosas, por<br />
ejemplo el avión donde viajas!, que hagan cirugía de cornea con un sistema como esos?,<br />
etc. ¿Conoces un electrodoméstico que use Fuzzy-Logic?¿que marca es?<br />
Es importante recalcar que en occidente, el análisis con lógica difusa, esta restringido y<br />
no ha sido ampliamente aplicado, sin embargo en Oriente (Japón, China, etc.) se ha<br />
explotado esta tecnología para resolver necesidades tecnológicas cada vez complejas,<br />
de una manera satisfactoria. Lavadoras, planchadoras, tostadores, etc.<br />
Tal vez porque nuestro paradigma es ¡más y más preciso! Un ejemplo es el reloj que<br />
utilizamos, antes solo daba la hora con cierta precisión, ¡ahora el más preciso y con más<br />
funciones es el más caro!! Y ¿que opinas del celular? En cambio en oriente, se busca la<br />
mejor solución a su alcance para la cada situación.
Existen casos donde indudablemente se requiere precisión pero hay casos donde se<br />
requiere toma de decisiones rápidas o suficientes.<br />
Identifique donde se requiere precisión y donde no es un factor crítico:<br />
• Apuntar un láser desde un punto en la tierra a un punto en el espacio.<br />
• Posición de una antena<br />
• Enfocar un microscopio electrónico<br />
• Laminar una placa para ensamblar una pieza de un automóvil.<br />
• Aterrizar un avión.<br />
• Estacionar un auto<br />
• Lavar la ropa<br />
• Manejar un carro en una autopista<br />
• Controlar las rutas de vuelo de un avión.<br />
• Controlar el transito en una avenida<br />
• Tostar un pan.<br />
• Determinar la mejor ruta para llegar al otro lado de la ciudad de México.<br />
Como se observa no todo requiere precisión y ¡la precisión cuesta!<br />
Lógica difusa<br />
La teoría de la lógica difusa, permite representar incertidumbres, especialmente las<br />
cuales no están relacionadas con las componentes estocásticas del sistema.<br />
Recordemos que un proceso aleatorio es el cual el resultado o variable de salida<br />
depende únicamente de la probabilidad o casualidad, por lo que la predicción de eventos<br />
consecutivos no es posible.<br />
En la mayoría de los casos de las situaciones presentes en la vida humana no tienen<br />
que ver con la aleatoriedad, si no más bien con la incertidumbre o ambigüedad o<br />
simplemente por la falta de información. ¡Un clásico ejemplo es la predicción de la<br />
lluvia en tu ciudad!<br />
Otro punto importante a considerar es la forma en que nos comunicamos, Nuestro<br />
lenguaje es impreciso, ambiguo, sin embargo logramos entendernos y seguir<br />
instrucciones.<br />
Ejercicio:<br />
Análisis de ¿Que es alto, chaparro y talla media para cada uno de nosotros? Como<br />
podríamos proponer un proceso que identifique cada una de las clases.<br />
Estadística y Procesos Aleatorios<br />
El análisis estadístico básico esta fundamentado en la teoría de la probabilidad o<br />
procesos aleatorios estacionarios. Casi todos nuestros experimentos tienen algo de<br />
aleatorio (ruido) y algo no aleatorio.<br />
¿Pero que es un proceso aleatorio estacionario? Las características principales son:<br />
a) El espacio muestra no puede cambiar entre un experimento a otro.
) La frecuencia de ocurrencia o probabilidad de un evento en el espacio muestral es<br />
constante y no puede cambiar de experimento a experimento.<br />
c) La salida debe ser repetible con respecto a las pruebas posteriores o previas del<br />
experimento.<br />
Los componentes aleatorios de un sistemas generalmente tienden a promediar cero<br />
cuando el tiempo es infinito, sin embargo existe incertidumbres que están presentes y<br />
además tiene tendencia y no podemos ignorar, generalmente tienen una razón de ser<br />
pero no sabemos de donde proviene esa señal (incertidumbre). Es ahí donde la teoría de<br />
la lógica difusa puede ayudarnos a resolver o proponer soluciones.<br />
Control Difuso<br />
Si sabemos lo que queremos a partir de las condiciones del sistema, entonces podemos<br />
proponer un control difuso. Utilizando lenguaje simbólico.<br />
Al manejar:<br />
Quiero que se desplace a la derecha cuando haya un bache grande en la izquierda del<br />
camino y no viene .un coche de frente.<br />
Quiero que se desplace a la izquierda cuando haya un bache grande en la derecha del<br />
camino y no viene un coche de frente.<br />
Quiero que se mantenga en esa dirección si no hay baches y viene un coche de frente.<br />
Quiero que se mantenga en esa dirección si son baches chiquitos y viene coche de<br />
frente.<br />
Quiero que se mantenga en esa dirección si son baches medianos y viene coche de<br />
frentes.<br />
Quiero que se desplace a la derecha si son baches medianos y viene coche de frentes.<br />
Y se puede complicar aun más! Que pasa si viene coche atrás de ti. O si no viene coche,<br />
etc.<br />
Variables de entrada: viene coche de frente, existencia de baches.<br />
Sistema: coche desplazandose.<br />
Variables de salida: dirección del coche, velocidad del coche.<br />
¿Sistema de control retroalimentado? No necesariamente.<br />
Conjuntos difusos y Membresía (Fuzzy Sets and Membership)<br />
Retomando el ejemplo de alto, mediano y bajo. Es relativo, depende de si es un niño,<br />
una mujer o hombre adulto. Además pueden ser altos en México, pero si se compara<br />
con la población de Estados Unidos o Alemania, puede considerarse Mediano, etc.<br />
¿150cm es alto?, ¿200cm es alto?, ¿50 cm es alto?<br />
Entonces podríamos proponer la siguiente clasificación: si h140 cm es alto.<br />
Entonces tenemos que hablar de un universo, es decir un conjunto de elemento que<br />
involucran la variable de interés. Es decir son los valores posibles de una variable bajo<br />
esas condiciones y en ese sistema en especial.
Conjunto difuso, son los valores específicos de esa variable disponibles en ese sistema.<br />
Por ejemplo: todos los valores enteros en centímetros de 0 a 140 cm pertenencen al<br />
conjunto bajo. Todos los valores enteros en centímetros de 140 a 250 cm pertenecen al<br />
conjunto alto.<br />
Membresía, el grado de pertenencia ( μA(x) ) de los valores de esa variable en el<br />
conjunto difuso. Es decir, 200 cm tiene un alto grado de pertenencia, pero que tanto<br />
pertenece 150 cm a el conjunto Alto.<br />
En la teoría de conjuntos tradicional sería el mismo grado de pertenencia que 200 cm,<br />
pero en los conjuntos difusos, es evidente que es menos alto 150cm que 200 cm<br />
Esto es, para un conjunto certero la membresía es:<br />
μA(x) = 1, x∈ A<br />
0, x ∉ A<br />
Donde A es el conjunto y x pertenece al universo X.<br />
En un conjunto difuso:<br />
Se tiene un grado de membresía es decir<br />
μA(x)<br />
140 160 180 200<br />
x (cm)<br />
Donde X es el universo de la estatura, x son o valores posibles de acuerdo a la variable<br />
misma.<br />
Revisar la presentación “<strong>logic</strong>a difusa: introducción”<br />
Tarea 1: Genera un escrito donde platiques sobre las respuestas de las siguientes<br />
preguntas:<br />
¿Por qué y cuando usar una técnica de definición de variables difusas?
¿Qué diferencia hay entre una definición de una variable estadística y una variable<br />
difusa?<br />
Tarea 2: Preparación para la práctica. Equipos de 2.<br />
1. Desarrolla una función de membresía de los conjuntos difusos basado en la medición<br />
de la altura en centímetros. De los siguientes conjuntos difusos: Alto, bajo y medio.<br />
2. Diferencia los sonidos ultrasónicos de los infrasónicos de acuerdo a su frecuencia<br />
usando funciones de membresía.<br />
Referencias:<br />
Ross,Timothy, “Fuzzy <strong>logic</strong> with engineering aplication”, chapter 1, pag. 1-16.<br />
Jang, J.S.R., “Neuro-Fuzzy and Soft computing: A computational approach to learning<br />
and machine intelligence”, Prentice Hall, pág. 1-13.<br />
González, Yesenia, “Lógica difusa, Introducción”,presentado en el curso intersemestral,<br />
“Principios de los sistemas Neurodifusos”, Julio, 2010.