Title: SISTEMAS DIFUSOS Fundamentos y Aplicaciones
1SISTEMAS DIFUSOS Fundamentos y Aplicaciones
- Por
- Carlos Alberto Reyes García PhD
- Coordinacion de Ciencias Computacionales
- Instituto Nacional de Astrofísica Óptica
Electrónica
2Que es la Computacion Suave (Soft Computing) La
Computacion Suave difiere de la convencional
(dura) en que explota la tolerancia a la
imprecision, incertidumbre, verdad parcial, y
aproximacion, para alcanzar robustez y soluciones
de bajo costo. El modelo principal de la
computacion suave es el Cerebro Humano. El
componente inicial de la computacion suave en su
concepcion actual fue la Logica
Difusa. Posteriormente se incluyeron otras
metodologias, correspondientes a la computacion
Neuronal y la computacion Genetica.
3- El concepto de sistema inteligente ya no se
aplica solamente a las computadoras, sino que a
un número creciente de aplicaciones que van desde
los sistemas de control difusos, hasta los
modelos que emulan sistemas complejos como los - económicos,
- políticos,
- sociales,
- edificios inteligentes,
- carreteras inteligentes
- y muchos otros mas.
4(No Transcript)
5- Algunas Aplicaciones (Japonesas of course) de
Fuzzy Logic - Automatic control of dam gates for
hydroelectric-powerplants (Tokio Electric Pow.) - Simplified control of robots (Hirota, Fuji
Electric, Toshiba, Omron) - Camera aiming for the telecast of sporting
events(Omron) - Substitution of an expert for the assessment of
stock exchange activities (Yamaichi, Hitachi) - Preventing unwanted temperature fluctuations in
air-conditioning systems (Mitsubishi, Sharp) - Efficient and stable control of car-engines
(Nissan) - Cruise-control for automobiles (Nissan, Subaru)
- Improved efficiency and optimized function of
industrial control applications (Aptronix, Omron,
Meiden, Sha, Micom, Mitsubishi, Nisshin-Denki,
Oku-Electronics) - Positioning of wafer-steppers in the production
of semiconductors (Canon)
6- Optimized planning of bus time-tables (Toshiba,
Nippon-System, Keihan-Express) - Archiving system for documents (Mitsubishi Elec.)
- Prediction system for early recognition of
earthquakes (Inst. of Seismology Bureau of
Metrology, Japan) - Medicine technology cancer diagnosis (Kawasaki
Medical School) - Automatic motor-control for vacuum cleaners with
recognition of surface condition and degree of
soiling (Matsushita) - Back light control for camcorders (Sanyo)
- Compensation against vibrations in camcorders
(Matsushita) - Controlling of subway systems in order to improve
driving comfort, precision of halting and power
economy (Hitachi) - Improved fuel-consumption for automobiles (NOK,
Nippon Denki Tools) - Improved sensitiveness and efficiency for
elevator control (Fujitec, Hitachi, Toshiba)
7- Recognition of handwritten symbols with pocket
computers (Sony) - Recognition of motives in pictures with video
cameras (Canon, Minolta) - Single button control for washing-machines
(Matsushita, Hitatchi) - Recognition of handwriting, objects, voice (CSK,
Hitachi, Hosai Univ., Ricoh) - Flight aid for helicopters (Sugeno)
- Simulation for legal proceedings (Meihi Gakuin
Univ, Nagoy Univ.) - Software-design for industrial processes
(Aptronix, Harima, Ishikawajima-OC Engeneering) - Controlling of machinery speed and temperature
for steel-works (Kawasaki Steel, New-Nippon
Steel, NKK) - Improved safety for nuklear reactors (Hitachi,
Bernard, Nuclear Fuel div.)
8(No Transcript)
9(No Transcript)
10(No Transcript)
11(No Transcript)
12(No Transcript)
13(No Transcript)
14(No Transcript)
15(No Transcript)
16Que es la Logica Difusa? La Logica Difusa es un
superconjunto de la Logica Convencional
(Booleana) que ha sido extendido para manejar los
conceptos de Verdad parcial, o sea, valores entre
completamente verdadero" y "completamente
falso". La Logica Difusa es basicamente un tipo
de Logica Multivaluada. Por medio de ella se
pueden formular matematicamente y procesar por
computadora conceptos como casi tibio, muy alto,
poco lejos. Es en si un enfoque que pretende
aplicar a la programacion de computadoras una
forma de pensar mas cercana a la humana. Fue
introducida por el Dr. Lotfi Zadeh de la UC
Berkeley en 1965 como un medio de modelar la
incertidumbre del lenguaje natural y de los
sistemas complejos.
17Lotfi Zadeh
18- Lotfi Zadeh, nacido el 4 de Febrero de 1921,
estadounidense de origen ruso-iraní, es el padre
de la lógica difusa. Ingeniero electrónico de
formación -"aunque siempre muy cercano a las
matemáticas"-, - está ahora en el área de Ciencias de la
Computación de la Universidad de California, en
Berkeley (Berkeley Initiative in Soft Computing
BISC). - "Desde que escribí el primer artículo sobre
lógica difusa en 1965 han pasado muchas cosas. Al
principio hubo quien se lo tomó a broma ahora
está en muchísimas aplicaciones de consumo
masivo", comenta. - Se trata de una técnica que traduce a lenguaje
matemático instrucciones imprecisas, del tipo
lava un poco más , y permite a las lavadoras
lavar según la suciedad de la ropa, automatizar
la concesión de créditos y hasta controlar el
vuelo de un helicóptero no tripulado.
19Algunas Estadisticas hasta September 21, 2011
- Total number of papers with fuzzy in title
(Google Scholar) 256,000 - Number of citations of papers by L. Zadeh (Web of
Science) 30,256 - Number of citations/results of papers by L. Zadeh
(Google Scholar) 95,600 - Number of citations of L. Zadehs paper Fuzzy
sets, Information and Control, 1965 (Google
Scholar) 28,711 - Total number of papers with fuzzy in title
(Google Scholar) 310,000 - Number of citations/results of papers by L. Zadeh
(Google Scholar) 125,151 - Number of citations of L. Zadehs paper Fuzzy
sets, Information and Control, 1965 (Google
Scholar) 52,887
Mas Estadisticas hasta February 11, 2014
20- PATENTS
- Number of fuzzy-logic-related patents,
- Issued and applied in Japan 7,149
- Issued in the United States 21,878
- Applied in the United States 22,272
- Issued and applied in WIPO (World Intellectual
Property Indicators) 50,999 - Issued and applied in China 25,454
- Issued and applied in EPO (European Union) 3,268
- Issued and applied in Australia 2,350
- Issued and applied in Canada 556
- JOURNALS with Fuzzy in title 28
- JOURNALS with Soft Computing in title 21
Algunas Estadisticas hasta February 11, 2014
21(No Transcript)
22- En 1965 Zadeh publico su primer articulo llamado
" FUZZY SETS ", donde establece los fundamentos
de la teoria de los Conjuntos Difusos. - De acuerdo a Zadeh, la membresia de un elemento a
un conjunto difuso es gradual. - Los grados de membresia son valores en el
intervalo 0, 1. - Es por esto que, la llave maestra de los
conjuntos difusos son los valores de MEMBRESIA. - Ademas, establece que los conjuntos difusos
incluyen los conjuntos duros, ya que un Conjunto
Duro (Crisp) es un conjunto difuso con valores de
1 y 0. - Tal como la lógica binaria se apoya en los
conjuntos duros la difusión se apoya en conjuntos
difusos, y la lógica difusa como lógica es
realmente una parte pequeña del área.
23Un ejemplo clásico es el de tratar de clasificar
individuos en el conjunto de personas Altas,
considerando la altura de cada persona. En los
conjuntos tipicos o duros, un elemento pertenece
o no pertenece al conjunto, por lo que para la
clasificacion anterior, es necesario establecer
un limite inferior desde el cual se pueda
clasificar a las personas como pertenecientes o
no al conjunto de personas altas (ej. 1.75 mts.).
Mientras que en el conjunto difuso la membresia
es gradual.
24Fuzzy Sets
- Conjuntos con limites difusos
A Conjunto de personas Altas
180
25Clasificacion en el conjunto duro (Crisp) y
difuso de personas altas
Difusos 1.00 1.00 0.85 0.47 0.40
26Operaciones con Conjuntos Difusos
VACUIDAD Un conjunto difuso esta vacío si todos
los candidatos tienen MEMBRESIA 0
(EMPTYNESS). Por ejemploEl Conjunto de océanos
con grado de salinidad 0. COMPLEMENTO El
complemento de un conjunto difuso es la cantidad
que la membresia necesita para alcanzar
1. CONTENIMIENTO En conjuntos difusos cada
elemento debe pertenecer menos al subconjunto que
al conjunto mas grande.
27 INTERSECCIÓN En conjuntos difusos es el grado
de membresia que dos conjuntos comparten . Una
intersección difusa es el valor menor (min) de la
membresia de cada elemento en ambos conjuntos.
UNIÓN La unión de conjuntos difusos es lo
inverso de la intersección. Este es el valor más
alto (max) de los dos valores difusos.
28 Definición Un conjunto difuso A se define como
una Función de Membresia que mapea los elementos
de un dominio o Universo de discurso X con
elementos del intervalo 0,1 A X? 0,1
Cuanto más cerca esté A(x) del valor 1, mayor
será la membresia del objeto x al conjunto A.
Los valores de membresia varían entre 0 (no
pertenece en absoluto) y 1 (pertenencia total).
Representación Un conjunto difuso A puede
representarse como un conjunto de pares de
valores Cada elemento x?X con su grado de
membresia a A A A(x)/x, x?X
También puede ponerse como una suma de pares
A Si A (xi)/ xi (Los pares en los que
A(xi)0, no se incluyen) Ejemplo Conj. de
alturas del concepto difuso Alto en Personas
A 0.25/1.75 0.5/1.8 0.75/1.85 1/1.9 (su
universo es discreto) Este tipo de
representacion se denomina Singleton Si el
Universo es Continuo A ? A (x )/ x La suma
y la integral no deben considerarse como
operaciones algebráicas. La fraccion denota pares
ordenados y la suma la funcion union.
29CARACTERISTICAS DE UN CONJUNTO DIFUSO Altura
de un Conjunto Difuso (height) El valor más
grande de su función de membresia supx?X A(x).
Conjunto Difuso Normalizado (normal) Si existe
algún elemento x?X, tal que pertenece al conjunto
difuso totalmente, es decir, con grado 1. O
también, que Altura(A) 1. Soporte de un
Conjunto Difuso (support) Elementos de X que
pertenecen a A con grado mayor a 0 supp(A)
x?X A(x) gt 0. Núcleo de un Conjunto Difuso
(core) Elementos de X que pertenecen al conjunto
con grado 1 Nucleo(A) x?X A(x)
1. Lógicamente, Nucleo(A) ? supp(A). a-Corte
(a-Cut) Valores de X con grado mínimo a Aa
x?X A(x) a.
30GEOMETRÍA DE LOS CONJUNTOS DIFUSOS La
geometría de los conjuntos difusos (Conjuntos
como puntos) involucra DOMINIO X
X1,X2,X3,....,Xm RANGO 0,1 MAPEO
mA X 0,1
?A (0.35, 0.75)
Los vértices del cubo In definen
conjuntos no difusos. El mayor grado de difusión
se da en el punto medio, donde no solo A es igual
a No-A, sino que ademas 2 A AÈÃ AÇÃ
Ã
31 Los grados de membresia para cada una de las
operaciones se calculan así mAÇB
min(mA,mB) mAÈB max(mA,mB) mà 1
- mA Ejemplos (por simplicidad se omite
m) A (1 .8 .4 .5)
B ( .9 .4 0 .7)
AÇB ( .9 .4 0 .5) AÈB
(1 .8 .4 .7)
à (0 .2 .6 .5) AÇÃ
(0 .2 .4 .5) AÈÃ (1 .8 .6
.5)
32Una vez que ha sido localizado el conjunto o
punto A, se tienen automaticamente todos los
cuatro puntos de las 4 operaciones, y los cuatro
se encuentran igualmente cerca a su esquina mas
proxima.
33RELACIONES MATEMÁTICAS La definición
intencional de una relación R del conjunto x al
conjunto y es como una oración abierta o
incompleta, con dos espacios vacíos.
R " ____ Es el tío de ____" Cuando el
primer espacio es llenado insertando un elemento
x de X, y el segundo espacio insertando un
elemento y de Y, resulta una proposición que
puede ser cierta o falsa. Si es cierta, se
dice que x esta en la relación R a y, x R
y. Si es falsa, se dice que x no esta
en la relación R a y, x ùR y.
34 La definición extensional esta dada por el
conjunto satisfacción. El conjunto satisfacción
Rs de una relación R consiste en todos los pares
(x, y) de elementos para los cuales x R y, eso
es Rs (x,y) ? X
Y ? x R y Este es claramente un subconjunto del
producto cartesiano XY, que consiste en todos
los pares posibles (x, y). La relación también
puede ser dada por medio de su matriz RM, con
componentes
35La relación R puede ser representada tambien por
medio de una figura de flechas (arrow picture)
RA. Ejemplo X Goyo, Jaime,
Karlos Y Ana, Lola, María,
Sara R "___ Asiste a clases con ___ Rs
(G,A),(G,M),(J,L),(J,M) Conjunto
satisfacción.
36 Hay casos en que el conjunto X sea el mismo que
el conjunto Y, los cuales son casos especiales
particularmente importante. Las relaciones de X a
X son llamadas relaciones sobre X. Una
representación de esta relación es por medio de
una gráfica dirigida o digrafo RD. El digrafo de
la relación de X a X X Ana, Beatriz, Clara,
Diana, Elena R " A____ le gusta convivir
con ____"
37- OPERACIONES DE INCLUSIÓN
- Sea R (X?Y) el conjunto de todas las relaciones
binarias duras (CRISP) de X a Y. - La negación de R ? R(X ? Y) es la relación ?R,
dada por x ? R y ? no es el caso que x R y - La conversa R?T de R que es una relación en
dirección opuesta, de X a Y esta dada por - y R ?T x ? x R y
- Esta relación también se conoce como inversa y se
representa como R ? -1. - La intersección R ? S y la unión R ? S reflejan
semánticamente los conectivos lógicos AND y OR
inclusivo entre las oraciones abiertas R y S. - Una relación R es una subrelación de T o esta
incluida en T, R ? T, si y sólo si x R y
siempre implica x T y. - R ? T
38- PRODUCTOS RELACIONALES
-
- Sea R una relación de X a Y y S una de Y a Z,
hay varias operaciones binarias aplicables sobre
ellas cada una resultando en una relación
producto del conjunto X al conjunto Z. - PRODUCTO CIRCULO o CIRCLET R o S, para el cual
x esta en la Relación R o S a z, si y sólo si hay
al menos una y tal que x R y y y S z - x (R o S) z Û y Î Y (x R y y y S z)
-
- Entonces x (R o S) z si y sólo si hay un camino
de x a z en la figura compuesta. - (R o S)ik max j ( min( Rij, Sjk ))
-
- Para la notación matricial RM y SM, o bien
- (R o S)ik
Új ( Rij Ù Sjk ) -
39Subtriángulo x está en la relación R?S a z
IFF, para cada y, x R y implica que y S z. Para
las matrices, (R?S)ik min( Rij Sjk
) Donde es el operador de implicación
material booleana dado en la siguiente tabla
Producto Supertriángulo es un producto dual al
anterior, dado por (R?S)ik min( Rij
Sjk) Producto Cuadrado es esencialmente la
intersección de los dos anteriores x esta en la
relación R ÿ S con z, iff, para cada y, x R y
exactamente cuando y S z (R ÿ S)ik min(
Rij Sjk )
40Ejemplos de aplicación de productos relacionales
en Sistemas Expertos 1.- X es un conjunto de
pacientes. Y es un conjunto de sintomas.
Z es un conjunto de enfermedades. x R y Û
El paciente x muestra el síntoma y y S z Û
Síntoma y es uno de los que caracterizan la
enfermedad z. xRoSz Û x tiene al menos uno de
los síntomas de la enfermedad z. xR?Sz Û Cada
síntoma de x es uno de aquellos de la enfermedad
z. xR?Sz Ûx tiene todos los síntomas de la
enfermedad z, y quizás más xRÿSzÛx tiene
exactamente los síntomas de enfermedad z y no
otros --------------------------------------------
----------------------------------------
41RELACIONES DIFUSAS. Una relación difusa es una
que se establece entre dos elementos en algun
grado entre 0 y 1. Así X es un conjunto de
personas Y es un conjunto de atributos o llaves Z
es un conjunto de objetos x R y se convierte en
" sujeto __ posee la llave __ al grado __" y
S z se convierte en " la llave __ es
necesaria para accesar el objeto __ al grado
__" xRoSz Ûgrado al cual sujeto x posee al menos
una llave necesaria para accesar al objeto
z. xR?Sz Ûgrado al cual las llaves de x
están entre aquellas necesarias para
accesar al objeto z. xR?S z Ûgrado al cual las
llaves de x incluyen todas aquellas
necesarias para accesar al objeto z y quiza
mas. xRÿSz Ûgrado al cual las llaves de x
son exactamente aquellas necesarias para
accesar al objeto z.
42FUNCIONES UN CASO PARTICULAR DE RELACIÓN. Una
función es un conjunto ordenado de parejas donde
a cada elemento del conjunto A le corresponde
únicamente un elemento del conjunto B.
Ejemplo Sea A 0,1,2,3,4,5,6,7,8,9,10
conjunto de calificaciones, y B Na, S, B, Mb
conjunto de resultados de rendimiento D
(0,Na), (1,Na), (2,Na), (3,Na), (4,Na), (5,Na),
(6,S), (7,S), (8,B), (9,B), (10,Mb) F
43 Función de membresia A X? 0,1 Cualquier
función A es válida Su definicion exacta depende
del concepto a definir, del contexto al que se
refiera, de la aplicación... En general, es
preferible usar funciones simples, debido a que
simplifican muchos cálculos y no pierden
exactitud, debido a que precisamente se está
definiendo un concepto difuso. FUNCIONES MAS
USUALES La Función Triangular esta definida
por ?A(x) maxmin(x-a)/(b-a)(c-x)/(c-b)0
Donde a, b, y c son los parametros
correspondientes al inicio (a), punto donde la
funcion tiene valor de membresia 1 (b), y
terminación de la funcion (c).
1
0
a
b
c
44 La Funcion Trapezoidal esta representada
por ?A(x) maxmin(x-a)/(b-a) 1
(d-x)/(d-c)0 Donde a, b, c, y d son los
parametros correspondientes al inicio (a),
intervalo donde la función tiene valor de
membresia 1 (b, c), y terminación de la función
(d).
1
0
a
d
b
c
45Funciones de membresia disponibles en MatLab
46Funciones de Membresia (MFs)
- MFs son Medidas Subjetivas, No funciones
probabilisticas
MFs
.8
.5
.1
180
Altura (cm)
47CONTANDO CON CONJUNTOS DIFUSOS El tamaño o
cardinalidad de A, M(A) es igual a la suma de los
valores fit (fuzzy unit) de A.
Si A (1/3, 3/4) entonces M(A) 1/3 3/4
13/12
El tamaño M(A) de A iguala la distancia o
norma difusa de Hamming (norma d)
La distancia dp entre los conjuntos
difusos A y B es
donde 1 lt p lt w es la dimensión del
hipercubo
48VARIABLES LINGÜÍSTICAS Una variable lingüística
es una variable cuyos valores no son números si
no palabras u oraciones en un lenguaje
natural. Ejemplo X es una variable lingüística
llamada altura con U0, 2.5 metros. Los
términos o propiedades de esta variable
lingüística, que son conjuntos difusos, pueden
ser llamados bajo, alto, muy alto, etc. M(X) es
la regla que asigna un significado al termino.
M(Alto) c , ALTO(c), c Î 1.5, 2.5 Donde
49USO DEL CONCEPTO LINGÜÍSTICO Cualquier
característica de entrada Fj puede ser expresada
en términos de valores de membresia a cada una de
las propiedades lingüísticas definidas. Así,
cuando se tienen las tres propiedades
lingüísticas bajo, medio, alto , un patrón
n-dimensional
Fi Fi1, Fi2, Fi3, ... , Fin
puede ser representado como un
3n-dimensional vector.
50Una Variable Linguistica
51Reglas Fuzzy If-Then
- Estilo Mamdani
- Si la presion es ALTA entonces el volumen es
PEQUEÑO
Estilo Sugeno Si la velocidad es media entonces
la resistancia 5velocidad
media
resistencia 5velocidad
52Metodos de Desdifusion en Matlab
53Fuzzy Inference System (FIS)
If speed is low then resistance 2 If speed is
medium then resistance 4speed If speed is high
then resistance 8speed
MFs
low
medium
high
.8
.3
.1
Speed
2
Rule 1 w1 .3 r1 2 Rule 2 w2 .8 r2
42 Rule 3 w3 .1 r3 82
Resistance S(wiri) / Swi
7.12
54First-Order Sugeno FIS
- Rule base
- If X is A1 and Y is B1 then Z p1x q1y r1
- If X is A2 and Y is B2 then Z p2x q2y r2
55Fuzzy Inference Systems (FIS)
- Also known as
- Fuzzy models
- Fuzzy Associative Memories (FAM)
- Fuzzy controllers
Rule base (Fuzzy rules)
Data base (MFs)
input
output
Fuzzy reasoning
56Control Difuso Mamdani
57(No Transcript)
58Variables Linguisticas
Output Variable
Input Variable
59Reglas de Control Difuso para AC, 1 In/1 Out
- REGLA 1 Si la temperatura esta fría, la
velocidad del motor para. - REGLA 2 Si la temperatura es templada, la
velocidad del motor es lenta - REGLA 3 Si la temperatura esta en su punto, la
velocidad del motor es media. - REGLA 4 Si la temperatura es tibia, la
velocidad del motor es rápida. - REGLA 5 Si la temperatura es caliente, la
velocidad del motor es turbo.
60(No Transcript)
61 Sistemas de Control Difuso Complejos Cuando se
diseña un controlador difuso para un sistema
complejo, regularmente se involucran varias
variables tanto de entrada como de salida.
Ademas, cada variable se representa por un
numero finito de propiedades linguisticas l lo
que indica que el numero total de reglas es igual
a ln, donde n es el numero de variables del
sistema. Para un modelo de cuarto orden donde n4
y l5, el numero total de reglas difusas sera k
ln 54 625. Si n5, entonces k3125. En
estos ejemplos se puede notar la explosion
exponencial del tamaño de la base de reglas.
Existen varios enfoques que permiten reducir el
tamaño de las bases de reglas.
62- Metodos de Reduccion de Base de Reglas
- Agrupar las reglas en niveles priorizados para
diseñar un controlador difuso jerarquico. - Fundir variables sensoriales antes de
alimentarlas a la maquina de inferencia,
reduciendo asi el tamaño de la maquina de
inferencia. - Reducir el tamaño de la maquina de inferencia
directamente usando nociones de descomposicion
pasiva de relaciones difusas. - Descomponer un sistema de gran escala en un
numero finito de subsistemas de orden reducido,
eliminando asi la necesidad de una maquina de
inferencia de gran tamaño. - Metodo Jerarquico
- En el enfoque de control difuso
jerarquico, el primer nivel de reglas son las que
estan relacionadas con las variables mas
importantes y se juntan para formar el primer
nivel de jerarquia. Las segundas variables mas
importantes, junto con la salida del primer
nivel, se escojen como entradas al segundo nivel
jerarquico, y asi continua.
63Representacion Esquematica de un Controlador
Difuso Jerarquico
y1
Nivel 1
u1
y2
Nivel 2
u2
Conjunto de Reglas 1
y3
Conjunto de Reglas 2
uL
Nivel L1
uL1
yL
Conjunto de Reglas L1
64FUSION SENSORIAL
65Efecto ZOOM
66Modelo de Reduccion Hibrido, Jerarquico y Fusion
Sensorial
67(No Transcript)
68(No Transcript)
69MEMORIAS ASOCIATIVAS DIFUSAS (FAMs) El
término FAM es usado para describir como trabaja
un sistema difuso. En paralelo y parcialmente.
Dispara todas las reglas a cierto grado. Cada
regla tiene la forma IF A, THEN B, que
significan, Si X esta en A entonces Y esta en B.
Los datos de entrada x disparan la parte A de
cada regla en algun grado. El sistema suma los
conjuntos B para obtener el conjunto difuso de
salida final B y entonces toma el promedio de B
para obtener el numero de salida Y. La salida Y
es un promedio ponderado difuso.
70MAPAS COGNOSCITIVOS DIFUSOS (Fuzzy Cognitive
Maps, FCM) Un mapa cognoscitivo difuso o FCM
dibuja una figura causal. Liga hechos y cosas y
procesos a valores, políticas y objetos.
Permite predecir como interactuan y actúan
eventos complejos
Empleo N2
Inversion Extranjera N1
Leyes de Regulacion del Mercado de Trabajo N3
_
Estabilidad del Gobierno N5
Conflictividad Social N4
_
71Interpretacion Si la Conflictividad Social se
incrementa, entonces la Estabilidad del Gobierno
decrece.
_
Si la Inversion Extranjera se incrementa,
entonces el Empleo se incrementa.
72La informacion difusa sobre la influencia de un
concepto sobre otro, puede ser establecida a
partir de un conjunto de valores linguisticos,
asociados con valores numericos correpondientes.
Un ejemplo es mostrado en la siguiente tabla.
73. El aprendizaje consiste en asignar directamente
los pesos, que estan representados por los
valores propuestos por el experto humano para
cada una de las relaciones causales. Una matriz
de pesos (W) para el mapa mostrado puede ser
W
Un caso hipotetico de ejemplo (tomado de 10),
puede ser el tratar de conocer el efecto que
puede tener una fuerte inversion extranjera
(N11) en plena crisis economica en un pais con
un gobierno muy inestable (N50), sin leyes para
la regulacion del mercado de trabajo (N30), con
una gran conflictividad social (N41) y un gran
nivel de desempleo (N20). En este caso, el
vector que representa los valores actuales
es N (N1, N2, N3, N4, N5) (1 0 0 1 0)
74A partir de esto se efectuan una serie de
multiplicaciones vector-matriz, hasta que el
sistema alcanze una situacion de estabilidad.
Para simplificar la evolucion de los valores de
activacion de los nodos, se limitaran a valores 0
y 1, por lo que se usa el siguiente criterio.
Si el valor resultante es negativo, el valor
del vector sera 0, si es positivo el valor de
salida es 1, y si es 0 la salida no cambia.
Red(t1) N(t0)W (1 0 0 1 0)
(0 0.6 0 0
0.8) Red(t1) (0 0.6 0 0 0.8) gt N(t1)
( 1 1 0 1 0) Red(t2) (0 0.6 0 -1 0.6)
gt N(t2) ( 1 1 0 0 0) Red(t3) (0 0.6 0 -1
0.2) gt N(t3) ( 1 1 0 0 1) Red(t4) (0 0.6
0 -1 0.2) gt N(t4) ( 1 1 0 0 1)
75A partir de la tercera iteracion se puede
observar que el sistema ya no cambia, lo que
indica que ya se llego a una situacion de
estabilidad. Interpretando estos resultados se
puede decir que gracias a la Inversion
Extranjera (N11) se ha llegado a una situacion
de pleno empleo (N21), sin conflictos sociales
(N40), donde el gobierno ha alcanzado gran
estabilidad (N51), sin necesidad de leyes de
regulacion del mercado de trabajo (N30). Por lo
que se puede deducir, a partir de los datos
disponibles, que una fuerte inversion extranjera
parece ser suficiente para sacar de la crisis a
un pais con las condiciones descritas
inicialmente. Si se desea colectar la opinion
de varios especialistas, lo unico que debe
hacerse es aplicar la operacion de union difusa,
76 SISTEMAS EXPERTOS DIFUSOS Una de las ramas más
importantes dentro de la Inteligencia
Artificial son los Sistemas Expertos que a su
vez son Sistemas Basados en Conocimientos.
Los Sistema Expertos convencionales son
Máquinas principalmente de razonamiento simbólico
(booleano) que están dirigidos a tomar decisiones
similares a las de un experto humano. Un
Sistema Experto Difuso es un sistema experto que
usa Lógica Difusa en lugar de Lógica Booleana, es
decir, es una colección de funciones de
membresía y reglas que son usadas para razonar
acerca de los datos. Los Sistemas Expertos
Difusos utilizan los conjuntos difusos para
representar el conocimiento cuyos límites no
están bien definidos.
77- EJEMPLO Una Aplicacion en un Edificio
Inteligente - Para que un edificio se pueda considerar
inteligente, debera tener un sistema basado en
técnicas de IA que le permita realizar diferentes
actividades, tales como - Tomar las decisiones necesarias en un caso de
emergencia - Predecir y autodiagnosticar las fallas que
ocurran dentro del edificio - Tomar las acciones adecuadas para resolver
dichas fallas en el momento adecuado - Controlar las actividades y el funcionamiento de
las instalaciones del edificio - Entidades Participantes
- Un Domo,
- Grupos de Agentes Inteligentes ,
- El Administrador
78- Arquitectura del Domo como Sistema Inteligente.
- El Domo es un modelo Cliente-Servidor basado en
una estructura de Pizarrón. Sus componentes son - Interfaz de Usuario Permite la comunicación con
el Administrador del edificio - Bases de Conocimientos Contiene la colección de
hechos, reglas difusas, procedimientos para cada
uno de los GCE y las políticas y reglamentos
vigentes - Sistema de Adquisición de Conocimientos Permite
las modificaciones, alteraciones o cambios a las
B de C - Mecanismo de Inferencia FuzzyClips o FuzzJess
- Memoria de Trabajo Información y conocimiento
del estado actual del sistema, y las acciones a
cumplir - Sistema Explicatorio Explica como (how) y porque
(why)
79(No Transcript)
80- Por Que Fuzzy?
- Beneficios de los Sistemas Fuzzy
- Reduccion de costos de desarrollo de Aplicaciones
- Reduccion de costos de ejecucion
- Reduccion de costos de mantenimiento
- Los SE difusos son
- Mas compactos (Requieren menos reglas)
- Codifican conocimiento de alto nivel y en Español
- Menos propensos a errores
- Manejan informacion vaga, incierta e imprecisa
- Mucho mas faciles de mantener
81(No Transcript)
82(No Transcript)
83Una Regla en FuzzyClips
Temperature very high or low (defrule
temp-very-comp (and (or (air-temp cold)
(air-temp very-hot)) (not
(pressure-compresor in-rank)) cause 1 ) gt
(message "PROBLEM Extreme Temperature, and
pressure of the compressor out of rank")
(message " Give maintenance to the
compressor..") (mantto-compresor)
(message "Maintenance to compressor Done")
(retract ?ta) (retract ?pc) (secs 5)
(bind ?ta (assert (air-temp adequate))) (bind
?pc (assert (pressure-compresor in-rank))) )
84 85Un Futuro con mucha Inteligencia
- Según Bart Kosko, el futuro estará lleno de
artefactos listos. - Se tendrán altos coeficientes intelectuales en
las máquinas que serán completamente diferentes a
las maquinas inteligentes actuales
86- Habrá computadoras listas pequeñas y rápidas
- Los grandes sistemas y redes también se volverán
listos. - Estarán enlazados los satélites de
comunicaciones, redes de crédito y salud,
entretenimiento y apuestas, automóviles, calles y
redes de trafico, redes de noticias y encuestas,
redes de gobierno y redes espías.
87- En sí, las máquinas se reducirán y contaran con
sensores y procesadores de señales mas finos. Y
serán capaces de generar sus propias redes y
reglas difusas, así como optimizar su
funcionamiento.
88Sitios WEB de Interes
- http//www.soft-computing.de/
- http//neural.cs.nthu.edu.tw/jang/nfsc.htm
- http//www.cs.berkeley.edu/projects/Bisc
- http//www.inaop.mx
89Muy AgradecidoQue Zadeh los Acompañe