5. Modelos fuzzy Tipo Sugeno
Combina conjuntos fuzzy en el antecedente
con una funcion crisp en la salida
Reglas de la forma:
donde
• es un vector de parametros.
• Las funciones tienen la misma estructura
( )1 1IF is AND AND is THEN ,i i i i i
n nx A x A y f x θ→ =L
La salida x es crisp
1 , , 'i i i
rθ θ θ = L
( ),i i
f x θ
6. Consecuente en sistemas fuzzy TS
En general
( ) ( ) ( ) ( )0 1 1, ,i i i i i i i
n ny x f x g x g xθ θ θ θ θ= = + + +L
El consecuente es affine respecto los
parametros (lineal en los parametros)
7. Consecuente en sistemas fuzzy TS
Sistema fuzzy propuesto por Takagi-Sugeno (1985)
( ) 1 1 0,i i i i i
n ny x x xθ θ θ θ= + + +L
El consecuente es affine respecto los
parametros (lineal en los parametros)
8. Sistemas fuzzy Takagi-Sugeno (1985)
Cada regla puede ser considerada como un
modelo affine local.
Los modelos locales son combinados en el
proceso de agregacion para obtener la salida
( ) 0,i i T i
iy x xθ θ θ= + 1 , ,T i i
i nθ θ θ = L
9. Inferencia en sistemas fuzzy TS
Para la interseccion y la implicacion se utiliza
el operador producto.
La salida es
( ) ( )
1
p
i
i k
k
x xβ µ
=
= ∏
( )
( ) ( )
( )
1
1
,
,
K
i i
i
i
K
i
i
x y x
y x
x
β θ
θ
β
=
=
=
∑
∑
10. 1
Inferencia en sistemas fuzzy TS
indica el peso relativo con que
contribuye la regla i en la salida.
( ) ( ) ( )
1
, ,
K
i i
i
i
y x x y xθ γ θ
=
= ∑
( )
( )
( )
1
i
i K
i
i
x
x
x
β
γ
β
=
=
∑
( )i xγ
Grado de cumplimiento
normalizado
11. 1
Inferencia en sistemas fuzzy TS
Definidos todos los parametros
El algoritmo fuzzy debe implementar la
siguiente funcion crisp
( )
( ) ( )
( )
0
1
1
,
K
T i
i i
i
K
i
i
x x
y x
x
β θ θ
θ
β
=
=
+
=
∑
∑
13. 1
El modelo singleton: caso especial
La funcion de salida es un valor constante
bi son numeros
reales
cada regla tiene su
propio bi
14. 1
El modelo singleton
Definidos todos los parametros
El algoritmo fuzzy debe implementar la
siguiente funcion crisp
Se puede interpretar como un modelo Mamdani
15. 1
Modelo singleton como Mamdani
Donde los conjuntos fuzzy del consecuente
son singleton
bi son numeros
reales
cada regla tiene su
propio bi
Con el modelo Mamdani se obtiene el mismo resultado
16. 1
Modelo singleton como Mamdani
Los conjuntos fuzzy del consecuente son
singleton
Defuzificacion
COG
bi son numeros
reales
cada regla tiene su
propio bi
17. 1
El modelo singleton es un caso especial de las
expansiones en funciones base
Expansiones en funciones base
18. 1
Interpolacion multilinear ocurre si:
• Funciones de pertenencia de entrada:
trapezoidales o triangulares
• Formando una particion fuzzy
• El conectivo AND es representado por el operador
producto
El modelo singleton: interpolacion
19. 1
Un ejemplo de interpolacion
Mapeo de entrada-salida lineal a trozos resultante
20. 2
El modelo singleton
Definidos todos los parametros, con funciones
de pertenencia Gaussianas en el antecedente
El algoritmo fuzzy debe implementar la
siguiente funcion crisp
2
1 1
2
1 1
1
exp
2
1
exp
2
i
K n j j
i ii j
j
i
K n j j
ii j
j
u c
b
y
u c
σ
σ
= =
= =
−
÷− ÷ ÷ ÷ =
−
÷− ÷ ÷ ÷
∑ ∏
∑ ∏
22. 2
modelos Sugeno : salida lineal
Reglas de la forma
La salida es
IF is THENi i
i ix A y a x b→ = +
( ) ( ) ( )
1
K
i i i
i
y x x a x bγ
=
= +∑
23. 2
modelos Sugeno : salida lineal
La salida es
IF is THENi i
i ix A y a x b→ = +
Lineal en los parametros, cuasi-lineal en x
( ) ( ) ( )
1
K
i i i
i
y x x a x bγ
=
= +∑
24. 2
modelos Sugeno : salida lineal
Agrupando terminos
( ) ( ) ( )
1
K
T
i i i
i
y x x a x bγ
=
= +∑
25. 2
modelos Sugeno : salida lineal
La salida es
Los sistemas TS son cuasi-lineales en x
26. 2
Los sistemas TS son cuasi-lineales en x
a(x), b(x) son combinaciones lineales convexas
de los parametros de los consecuentes ai y bi
28. 2
Sistema TS como un mapeo
Un modelo TS es un mapeo de un sistema
cuasilinial
• desde el espacio de entrada del antecedente
• a una region convexa (polytope) en el espacio de
los parametros
:x θ→
30. 3
modelos Sugeno: ejemplo 1
IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
Si “small”, “medium” y “large” son conjuntos
crisp entonces la curva total de entrada-salida
es lineal a trozos
sug1.m
31. 3
modelos Sugeno: ejemplo 1
IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
32. 3
modelos Sugeno: ejemplo 1
IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
Sin embargo, si tenemos funciones de
pertenencia suaves (reglas fuzzy) la curva total
de entrada-salida es suave
33. 3
modelos Sugeno: ejemplo 1
IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
35. 3
modelos Sugeno: ejemplo 2
Dos entradas una salida con 4 reglas
IF X is small AND Y is small THEN z=-x+y+1
IF X is small AND Y is large THEN z=-y+3
IF X is large AND Y is small THEN z=-x+3
IF X is large AND Y is large THEN z=x+y+2
sug2.m
41. 4
Sistemas fuzzy TS dinamicos
Modelado de sistemas dinamicos no lineales
Cada regla representa una aproximacion lineal
del sistema no lineal en un punto de operación
determinado
IF is THENi i i
i
i
x A x B ux A
y C x
•
= +→
=
42. 4
Sistemas fuzzy TS dinamicos
Un sistema TS dinamico es un “scheduling” fuzzy
( ) ( )
1 1
K K
i i i i
i i
x x A x x B uγ γ
•
= =
= + ÷ ÷
∑ ∑
( ) ( )
1 1
K K
i i i i
i i
y x C x x D uγ γ
= =
= + ÷ ÷
∑ ∑
43. 4
Fuentes
J.-S. Roger Jang, Slides for Fuzzy Sets, Ch. 2 of Neuro-
Fuzzy and Soft Computing. CS Dept., Tsing Hua Univ.,
Taiwan.
J.-S. Roger Jang and C-T Sung, Neuro-Fuzzy Modeling
and Control. Proceedings of the IEEE, March 1995.
Robert Babuska. Fuzzy and neural control. DISC Course
Lecture Notes (October 2001)
Robert Babuska. Course Fuzzy and Neural Control,
2001/2002.
44. 4
Fuentes
R. Babuska, H.B. Verbruggen, H. Hellendoorn,
Promising Fuzzy Modeling and Control Methodologies
for Industrial Applications, 1999
René Jager, Fuzzy Logic in Control. PHD thesis, 1995.
Javier Echauz, Sistemas y Controles Inteligentes,
Universidad de Puerto Rico, 2000
L.X. Wang, “Adaptive Fuzzy Systems and Control:
Design and Stability Analysis”, Prentice-Hall, 1.994
45. 4
Fuentes
Kwang-Hyung Lee, Textbook CS670 Fuzzy Theory,
http://if.kaist.ac.kr/lecture/cs670/textbook/, septiembre
2001
J. Galindo Gómez, Conjuntos y Sistemas Difusos
(Lógica Difusa y Aplicaciones). Departamento de
Lenguajes y Ciencias de la Computación, Universidad
de Málaga, 2002?
Vojislav Kecman, Fuzzy logic basics. Slides
accompanying the MIT Press book: Learning and Soft
Computing. 2001
46. 4
Fuentes
Djamel Bouchaffra, Soft Computing (Lecture Notes).
Oakland University. Fall 2005
K. Ahmad, B. Vrusias, M. Casey, Artificial Intelligence
(Lecture Notes). Center for Knowledge Management.
Department of Computing. University of Surrey.
September 2004
Notas del editor
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
Kr03 ACApassino Jager
TAKAGI,T.AND M. SUGENO (1983). Derivation of fuzzy control rules from human operator’s control actions. See E.Sanchez and Gupta (1983), pp. 55–60.
In Takagi-Sugeno (TS) rules consequent fuzzy proposition is replaced by an affine linear function of inputs and each rule can be considered as a local linear model that are then blended together by means of aggregation to form the overall output y.
This model is called an affine TS model.
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
This property facilitates the analysis of TS models in a framework similar to that of linear systems. Methods have been developed to design controllers with desired closed loop characteristics (Filev, 1996) and to analyze their stability (Tanaka and Sugeno, 1992; Zhao, 1995; Tanaka, et al., 1996).
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
<number>
04/28/17
Babuska kr01-3
<number>
04/28/17
Babuska kr01-3
Jager, 1995
From another point of view, a rule base with Sugeno rules can be seen as a set of local controllers each with its own set of controller parameters. This mechanism is in fact the same as gain scheduling, although it is not known as “fuzzy” technique: different controller parameters for different input combinations/situations are defined. The use of fuzzy sets and inference and defuzzification result in “fuzzy gain scheduling”, where the transition from one set of controller parameters to another is smooth. However, the problem of discontinuous transitions from one set of controller parameters to another was recognized a long time ago, and the solution is known as “bumpless” transfers (Astrom and Wittenmark, 1984).