SlideShare una empresa de Scribd logo
1 de 25
Descargar para leer sin conexión
Sistemas Difusos Tema 4
– 1 –
Tema 4.- Sistemas Basados en Reglas
Difusas.
1. Introducción.
2. Ejemplos de Sistemas basados en reglas
difusas.
1. Sistemas de control difuso.
2. Sistemas expertos difusos.
3. Minería de datos difusos.
3. Estructura básica de un sistema basado en
reglas difusas (SBRD) .
4. Tipos de sistemas basados en reglas difusas.
5. Arquitectura detallada.
1. Interfaz de Fuzzificación.
2. Base de Conocimiento.
1. Base de Datos.
2. Base de Reglas.
3. Motor de inferencia en un SBRD tipo Mamdani.
4. Interfaz de defuzzificación.
5. Motor de inferencia en un SBRD tipo TSK.
Sistemas Difusos Tema 4
– 2 –
Objetivos:
- Conocer la estructura básica y funcionamiento de un
Sistema Basado en Reglas Difusas.
- Clasificar los sistemas basados en reglas difusas en
base a su estructura y a la estructura de regla difusa
utilizada.
- Conocer ventajas e inconvenientes de cada uno de
los tipos de sistemas basados en reglas difusas.
- Conocer distintas opciones de diseño para la interfaz
de fuzzificación.
- Percibir las cuestiones generales que se plantean en
el proceso de derivación de reglas.
- Comprender el proceso de inferencia en un sistema
difuso para control.
- Conocer las definiciones de distintos métodos de
defuzzificación y el significado de cada uno de ellos.
- Comprender el funcionamiento global de un sistema
difuso para control.
Sistemas Difusos Tema 4
– 3 –
1.- Introducción.
Aplicaciones:
• Modelado de sistemas:
o Obtención de modelos que representan realidades
complejas.
o Control:
Plantas industriales complejas
Control en línea
Sistemas de navegación con perturbaciones
• Clasificación: detección de patrones, diagnóstico
médico, ...
• Sistemas expertos: ayuda a la decisión, recuperación
de información, planificadores financieros, ...
• Minería de datos y descubrimiento de información
(Knowledge discovery and data mining): extracción del
conocimiento intrínseco contenido en grandes bases de
datos con reglas de asociación difusas.
Sistemas Difusos Tema 4
– 4 –
2.- Ejemplos de SBRDs
2.1.- SBRDs aplicados a control.
Opciones en sistemas digitales:
• PID (proporcional-integral-derivativo):
o Problemas en entornos de control cambiantes o sistemas
no lineales.
• MRAC (control adaptativo de modelo de referencia):
o Resuelve el problema anterior ajustando los parámetros
del controlador comparando la salida con un modelo de
referencia.
o Necesita un modelo matemático.
• Control difuso:
o Las entradas, salidas
y respuesta de control
se especifican con
términos similares a
los utilizados por un
experto en control.
o No se requiere un
modelo del sistema.
o Aprendizaje y ajuste
automático fácil de
realizar.
PROCESO
CONTROLADO
CONTROLADOR
Condiciones
Acciones
Sistemas Difusos Tema 4
– 5 –
2.1.- SBRDs aplicados a control.
PROCESO
CONTROLADO
MODULO
DEFUZZIFICADOR
(DESEMBORRONADOR)
MODULO
FUZZIFICADOR
(EMBORRONADOR)
MECANISMO
DE INFERENCIA
DIFUSA
BASE DE
REGLAS
DIFUSAS
CONTROLADOR DIFUSO
Valor
exacto
Condiciones
Acciones
Valor
exacto
Valor
difuso
Valor
difuso
BASE DE
DATOS
Sistemas Difusos Tema 4
– 6 –
2.2.- SBRDs aplicados a sistemas expertos.
Ejemplo: Ámbito agrícola.
Ejemplos de Sistemas de BD difusas:
• Buckles y Petry
• Umano y Fukami
• Medina et al. (GEFRED)
Agricultor
(Usuario final)
Ing. Agronómico
Elemento suelo de cultivo
Propiedades:
• Color
• Textura
• Profundidad
• Pendiente
• Material orgánico
• Minerales
• etc.
Percepción Análisis
Representación
Sistema
Ayuda
Decisión
Servidor de SQL
BD
Base de Datos
Catálogo Sistema
FMB
Servidor de FSQL
Cliente 1 FSQL Cliente n FSQL
Sistemas Difusos Tema 4
– 7 –
2.3.- SBRDs aplicados a minería de datos.
Minería de datos (Data mining)
• Conjunto de técnicas de Extracción de conocimiento
(Knowledge discovery in databases).
• Objetivo:
o Información no explícita.
o Previamente desconocida.
o Potencialmente útil.
• Ejemplo: Reglas de asociación [Agrawal et al., 1993].
o Relacionan ítems. (p.e., {leche, arroz} ⇒ canela)
o Medidas para importancia y precisión.
• Problema: Bases de datos muy grandes (VLDB, Very
Large Databases).
o Datos dispersos (alta granularidad).
o Información de muy diversas fuentes, heterogénea.
o Atributos susceptibles de “fuzzificación”.
• Solución: Reglas de asociación difusas.
o Disminuye la granularidad en la información.
o Posibilidad de solapar semánticas.
o Obtención de conocimiento comprensible para el
usuario.
Sistemas Difusos Tema 4
– 8 –
3.- Estructura básica de un sistema basado en
reglas difusas.
Un Sistema Basado en Reglas Difusas (SBRD) está
formado por:
• Base de conocimiento.
o Base de Reglas.
o Base de Datos.
• Motor de inferencia.
Además en sistemas con entradas y/o salidas nítidas, se
incluye un interfaz de fuzzificación y un interfaz de
defuzzificación.
Interfaz de
Fuzificación
Interfaz de
Defuzificación
Base de
Reglas
Base de
Datos
Base de Conocimiento
Mecanismo de Inferencia
R1: Si X1 es Alto y X2 es Bajo
entonces Y es Medio
R2: Si X1 es Bajo y X2 es Medio
entonces Y es Alto
...
Bajo
Medio
Alto
X1
Bajo
Medio Alto
X2
Bajo
Medio
Alto
Y
Factores de escala
Entrada
escalada
Salida
escalada
Sistemas Difusos Tema 4
– 9 –
3.- Estructura básica de un sistema basado en
reglas difusas.
Convierte la
entrada nítida
a valor difuso
Convierte la
salida difusa a
valor nítido
Contiene el conjunto de
acciones a realizar en
función del estado
Contiene la definición
lingüística de las
variables
Realiza el proceso de
razonamiento para
estimar la salida en
función de la entrada
Interfaz de
Fuzzificación
Interfaz de
Defuzzificación
Base de
Reglas
Base de
Datos
Mecanismo de
Inferencia
Sistemas Difusos Tema 4
– 10 –
4.- Tipos de sistemas basados en reglas
difusas.
En función del tipo de regla difusa que utilicen se puede
distinguir:
• SBRDs tipo Mamdani:
“SI X1 es Alto y X2 es Bajo ENTONCES Y es Alto”
• SBRDs tipo TSK (Takagi, Sugeno y Kang):
“SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)”
o No necesitan interfaz de defuzzificación.
o El motor de inferencia funciona de distinta
forma.
4.1.- SBRDs tipo Mamdani.
Ventajas:
Facilidad para la derivación de reglas.
Interpretabilidad de las reglas difusas.
Fueron propuestos antes y se han utilizado con más
frecuencia.
Inconvenientes:
No garantizan la continuidad de la superficie de
salida.
Menor eficiencia computacional.
Sistemas Difusos Tema 4
– 11 –
4.2.- SBRDs tipo TSK.
“SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)”
Ventajas:
Incrementan la precisión.
Mayor eficiencia computacional.
Facilidad para el análisis del sistema.
Garantizan la continuidad de la superficie de salida.
Inconvenientes:
El consecuente es una fórmula matemática y no
proporciona un marco natural para representar
conocimiento humano.
Limitan la representación de los principios de la
lógica difusa.
Sistemas Difusos Tema 4
– 12 –
5.- Arquitectura Detallada.
5.1.- El interfaz de fuzzificación.
Para cada una de las entradas del sistema:
1. Adquirir los valores nítidos de las variables de
entrada.
2. Trasladar los valores de las variables a los universos
de discurso correspondientes.
3. En función del tipo de sistema difuso:
• Convertir cada valor nítido en un conjunto difuso
con grado de pertenencia igual a 1 para ese
valor y 0 para el resto (fuzzy singleton) o
• hacer corresponder a cada valor nítido el
término lingüístico más adecuado, o
• calcular el grado de pertenencia a cada uno de
los conjuntos difusos utilizados para dicha
variable lingüística.
Sistemas Difusos Tema 4
– 13 –
5.1.- El interfaz de fuzzificación.
Algunas posibilidades:
• El valor nítido se convierte en un conjunto difuso tipo
singleton.
o Es la opción más sencilla y la más utilizada.
o Adecuado cuando la medición de las variables
de estado es fiable.
• Se genera un conjunto difuso con centro el valor
nítido y un soporte acorde con la incertidumbre de la
medición.
x0
1
x0 x0+εx0-ε
1
Sistemas Difusos Tema 4
– 14 –
5.2.- La Base de Conocimiento.
Está formada por la Base de Reglas y la Base de Datos.
Parámetros de diseño implicados:
• Elección de las variables de estado del proceso y de control
del mismo.
• Elección del conjunto de términos lingüísticos para las
variables de estado y de control.
• Elección de la estructura del antecedente y consecuente de
las reglas.
• Derivación del conjunto de reglas.
Formas de obtención de la base de conocimiento:
1. A través de experiencia experta, conocimiento de
ingeniería de control o acciones de un operador de
control experimentado.
• Experto capaz de describir de forma lingüística sus reglas
de decisión (factores de escala, semántica de los
conjuntos difusos, operadores implicados, etc.).
• A partir de un cuestionario realizado al experto.
• Información extraída a partir de la observación de las
acciones de control de un operador.
2. Obtención basada en un modelo difuso.
3. Obtención basada en aprendizaje automático
(métodos ad hoc, computación evolutiva, redes
neuronales, clustering, etc.).
Sistemas Difusos Tema 4
– 15 –
5.2.1. Base de Datos.
• Proporciona la información necesaria para el
funcionamiento del módulo de fuzzificación, de
defuzzificación y de la Base de Reglas.
• Definición de los conjuntos
difusos:
• Define la semántica de cada
variable lingüística:
• También se pueden definir
factores de escalado para extender o reducir el
universo de discurso, así como cambiar la
sensibilidad:
Bajo
Medio
Alto
X1
Factores de escala
Medio Alto
X2
Bajo Medio Alto
Y
Sistemas Difusos Tema 4
– 16 –
5.2.2.- Base de Reglas.
• Representa de forma estructurada la política de
control experto.
• Se deben determinar los siguientes aspectos:
o Qué variables de estado y de control se
considerarán.
o Qué estructura tendrá la regla difusa.
o Qué conjunto de reglas (en su representación
simbólica) se utilizará.
• Posibilidades de elección de las variables:
o Imitar los controladores P, PI, PD y PID:
Variables de entrada al controlador:
• el error: e
• la sumatoria del error a lo largo del tiempo:
1
( )
t
i
e i
=
∑
• la variación del error: ∆e
Salidas del controlador:
• la salida del sistema: u
• la variación de la salida del sistema: ∆u
• Usar variables propias del proceso de las que se
puede conseguir su valor a través de una medición.
Sistemas Difusos Tema 4
– 17 –
5.2.2.- Base de Reglas.
Ejemplo: Base de reglas para el controlador difuso de
una aspiradora.
• Objetivo: Regular la fuerza de aspiración
• ¿Variables de entrada?
Cantidad de suciedad:
{muy sucio, sucio, algo sucio, casi limpio, limpio}
• ¿Variable de control?
Fuerza:
{muy fuerte, fuerte, normal, débil, muy débil}
• Propuesta 1 para la base de reglas:
R1: SI la superficie está sucia ENTONCES la fuerza es
fuerte
R2: SI la superficie está algo sucia ENTONCES la fuerza es
normal
R3: SI la superficie está casi limpia ENTONCES la fuerza es
débil
R4: SI la superficie está limpia ENTONCES la fuerza es muy
débil
Sistemas Difusos Tema 4
– 18 –
5.2.2.- Base de Reglas - Ejemplo.
Se puede mejorar el rendimiento incluyendo más información.
• ¿Variables de entrada?
Cantidad de suciedad:
{muy sucio, sucio, algo sucio, casi limpio, limpio}
Tipo de superficie:
{madera, caucho, alfombra}
• ¿Variable de control?
Fuerza:
{muy fuerte, fuerte, normal, débil, muy débil}
• Propuesta 2 de base de reglas:
Limpio Casi limpio Algo sucio Sucio Muy sucio
Madera Muy débil Muy débil Débil Normal Fuerte
Caucho Muy débil Débil Normal Fuerte Muy fuerte
Alfombra Débil Normal Normal Fuerte Muy fuerte
• Diagrama de bloques del controlador:
Sensor
de suciedad
Indicador de
tipo de superficie
Contador de
tiempo
Amplificador
SISTEMA
DIFUSO DE
CONTROL
Circuito
Motor de v entilación
Sistemas Difusos Tema 4
– 19 –
5.3.- El motor de inferencia en un SBRD Mamdani
Utiliza reglas difusas para obtener la respuesta del
sistema difuso ante una determinada entrada
Hay dos formas de realizar este proceso:
1. Inferencia basada en reglas individuales:
Aplicar la entrada a la primera regla, a la segunda y
así sucesivamente. Posteriormente las salidas de las
reglas se unen para obtener una única salida.
2. Inferencia basada en la composición:
Calcular la relación difusa que representa el
significado de toda la base de reglas para aplicar la
entrada a esa relación difusa global.
• Esquema simplificado de un motor de inferencia basado
en reglas individuales:
1. Disparo de reglas:
Una regla se dispara si el grado de “emparejamiento”
del antecedente de la regla con la entrada es mayor
que cero.
a. Cálculo del grado de aplicabilidad.
• Antecedente con una variable.
• Antecedente con más de una variable.
b. Escalado o corte de la salida difusa.
Sistemas Difusos Tema 4
– 20 –
5.3.- El motor de inferencia en un SBRD Mamdani
2. Agregación de las salidas (si es necesaria)
• Parámetros de diseño para el motor de inferencia:
• Elección del tipo de motor de inferencia.
• Basado en reglas individuales.
• Basado en la composición de reglas.
• Elección de la representación del significado de las reglas
difusas.
• Operadores de conjunción, disyunción, complemento,
modificadores lingüísticos, según el caso.
• Operador de implicación.
• Operador de agregación de reglas.
⊕
Escalado de
la salida
Emparejamiento:
0.4 = min(0.75 , 0.4)
Agregación
de las salidas
Sistemas Difusos Tema 4
– 21 –
5.4.- El interfaz de defuzzificación.
• La defuzzificación transforma el conjunto difuso de
salida en un valor nítido.
• Supongamos que tenemos m reglas difusas:
Si x1 es A1
(k) ∧ x2 es A2
(k) ∧ ... ∧ xn es An
(k) ⇒
y es B(k) con k = 1, 2, ..., m.
• Si introducimos unos valores de entrada: A1*, A2*, ...,
An*, obtenemos como salida los conjuntos difusos:
B’
(1)
, B’
(2)
, ..., B’
(m)
• Unimos todas las salidas: ( )
1
' '
m
k
k
B B
=
= ∪ ⇒ y es B’
• Objetivo: averiguar cuál es el valor nítido B* que
mejor representa a B’.
a) Centro de área o centro de gravedad.
b) Centro de sumas.
c) Centro de mayor área.
d) Método de la altura.
e) Primero del máximo, último del máximo y media
de los máximos.
Sistemas Difusos Tema 4
– 22 –
5.4.- El interfaz de defuzzificación.
a) Centro de área o centro de gravedad.
• Para evitar calcular la integral numérica, se realiza
una discretización de la salida: 1 2{ , , , }l
Y y y y= …
• Inconvenientes:
El cálculo del conjunto difuso agregado es
costoso.
No tiene en cuenta el hecho de que dos áreas se
solapen.
'
'
· ( )
*
( )
B
B
y y dy
B
y dy
µ
µ
= ∫
∫
'
1
'
1
· ( )
*
( )
l
i iB
i
l
iB
i
y y
B
y
µ
µ
=
=
=
∑
∑
unión
Sistemas Difusos Tema 4
– 23 –
5.4.- El interfaz de defuzzificación.
b) Centro de sumas.
( )
( )
'
1 1
'
1 1
· ( )
*
( )
k
k
l m
i iB
i k
l m
iB
i k
y y
B
y
µ
µ
= =
= =
=
∑ ∑
∑∑
• Considera la contribución de cada área de forma
independiente. El método del centro de área toma la
unión de los B’(k)
mientras que este método toma la
suma de los conjuntos. De esta forma, si un área se
repite, se considera de nuevo, evitando el problema de
solapamiento visto anteriormente.
• No requiere el cálculo del conjunto difuso de salida
c) Centro de mayor área.
• Problema: si B’ no es convexo, el centro de área y de
sumas da una salida
en la zona
intermedia, donde el
conjunto difuso tiene
baja importancia.
• Solución: Se determina el conjunto difuso con mayor
área y se calcula su centro de gravedad.
• Es un método muy costoso.
salida
Sistemas Difusos Tema 4
– 24 –
5.4.- El interfaz de defuzzificación.
d) Método de la altura.
• No requiere el cálculo del conjunto difuso de salida.
• Rápido.
• Requiere la definición del punto umbral (primer punto de un
conjunto difuso con grado de pertenencia máximo).
( )
( )
( ) ( )
'
1
( )
'
1
· ( )
*
( )
k
k
m
k k
B
k
m
k
B
k
c c
B
c
µ
µ
=
=
=
∑
∑
siendo c(k)
el valor umbral del conjunto difuso B’
(k)
.
e) Primero del máximo, último del máximo y media de los
máximos.
• Toma el valor más pequeño, más grande
o medio del núcleo del conjunto difuso
resultante.
Ventaja: Coste computacional muy bajo.
• Inconvenientes:
Valor de salida menos representativo.
Puede producir discontinuidades, es decir, generar una salida no
continua para pequeños cambios en la entrada.
Último
Media
Primero
Cambio de entrada
20 21
x0
x1
Sistemas Difusos Tema 4
– 25 –
5.5.- El Motor de Inferencia en un SBRD tipo TSK.
Reglas del tipo:
SI x1 es A1 y x2 es A2 y ... y xn es An
ENTONCES y = f(x1, x2, ..., xn)
En general f(x1, ..., xn) = a0 + a1·x1 + ... + an xn
• El antecedente se procesa igual que el de las reglas tipo
Mamdani.
• Para una entrada específica, el resultado de disparar una
regla es un valor nítido.
• Finalmente los valores nítidos obtenidos al dispararse
distintas reglas se combinan para obtener una única salida
(máximo, media aritmética ponderada, etc.).
Ejemplo:
R1: SI la presión es NG y la temperatura es A
ENTONCES el tiempo es 0.3·presión +
0.5·temperatura
• Entrada: presión = –22 y temperatura= 22
• Grado de aplicabilidad de la regla = 0.6
• tiempo = 0.3 · (-22) + 0.5 · 22 = 4.4
• La salida completa será: (4.4, 0.6)
Salida R5: (5.5, 0.5)
Salida = (4.4 · 0.6 + 5.5 · 0.5) / (0.6 + 0.5) = 4.9

Más contenido relacionado

La actualidad más candente

12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)
12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)
12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)Connections Systems
 
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSACONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSAESCOM
 
Comunicaciones y protocolos industriales
Comunicaciones  y protocolos industrialesComunicaciones  y protocolos industriales
Comunicaciones y protocolos industrialesDocumentosAreas4
 
2 Fundamentos de la Lógica Difusa
2 Fundamentos de la Lógica Difusa2 Fundamentos de la Lógica Difusa
2 Fundamentos de la Lógica DifusaESCOM
 
Protocolos de enrutamiento
Protocolos de enrutamientoProtocolos de enrutamiento
Protocolos de enrutamientoJOHN BONILLA
 
Ejercicios de Multiplexores y decodificadores
Ejercicios de Multiplexores y decodificadoresEjercicios de Multiplexores y decodificadores
Ejercicios de Multiplexores y decodificadoresBertha Vega
 
Modelado en espacio de estados
Modelado en espacio de estadosModelado en espacio de estados
Modelado en espacio de estadosAlejandro Flores
 
DISPOSITIVOS DE CAPA 2 DEL MODELO OSI
DISPOSITIVOS DE CAPA 2 DEL MODELO OSIDISPOSITIVOS DE CAPA 2 DEL MODELO OSI
DISPOSITIVOS DE CAPA 2 DEL MODELO OSIEwing Ma
 
Sensores opticos -MECATRONICA
Sensores opticos -MECATRONICASensores opticos -MECATRONICA
Sensores opticos -MECATRONICArkohafc
 
automatas finitos
 automatas finitos automatas finitos
automatas finitosAnel Sosa
 
3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas
3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas
3 Variables LingüíSticas, Variables Difusas Y Reglas DifusasESCOM
 
Telecomunicaciones
TelecomunicacionesTelecomunicaciones
Telecomunicacioneswarrior1210
 
47427701 ejercicios-cinematica-soluciones
47427701 ejercicios-cinematica-soluciones47427701 ejercicios-cinematica-soluciones
47427701 ejercicios-cinematica-solucionespedreroguadarramaerik
 
Tipos de gramatica y arboles de derivacion
Tipos de gramatica y arboles de derivacionTipos de gramatica y arboles de derivacion
Tipos de gramatica y arboles de derivacionjorge severino
 

La actualidad más candente (20)

12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)
12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)
12962797 ccna-3-v-40-exploration-examen-final-modulo-3-50-preguntas (1)
 
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSACONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSA
 
Modo de transferencia asíncrona (atm)
Modo de transferencia asíncrona (atm)Modo de transferencia asíncrona (atm)
Modo de transferencia asíncrona (atm)
 
Comunicaciones y protocolos industriales
Comunicaciones  y protocolos industrialesComunicaciones  y protocolos industriales
Comunicaciones y protocolos industriales
 
Ensayo wireshark
Ensayo wiresharkEnsayo wireshark
Ensayo wireshark
 
Lógica Difusa
Lógica DifusaLógica Difusa
Lógica Difusa
 
2 Fundamentos de la Lógica Difusa
2 Fundamentos de la Lógica Difusa2 Fundamentos de la Lógica Difusa
2 Fundamentos de la Lógica Difusa
 
Protocolos de enrutamiento
Protocolos de enrutamientoProtocolos de enrutamiento
Protocolos de enrutamiento
 
Ejercicios de Multiplexores y decodificadores
Ejercicios de Multiplexores y decodificadoresEjercicios de Multiplexores y decodificadores
Ejercicios de Multiplexores y decodificadores
 
Programación PIC16F84A
Programación PIC16F84AProgramación PIC16F84A
Programación PIC16F84A
 
Modelado en espacio de estados
Modelado en espacio de estadosModelado en espacio de estados
Modelado en espacio de estados
 
DISPOSITIVOS DE CAPA 2 DEL MODELO OSI
DISPOSITIVOS DE CAPA 2 DEL MODELO OSIDISPOSITIVOS DE CAPA 2 DEL MODELO OSI
DISPOSITIVOS DE CAPA 2 DEL MODELO OSI
 
Sensores opticos -MECATRONICA
Sensores opticos -MECATRONICASensores opticos -MECATRONICA
Sensores opticos -MECATRONICA
 
Protocolo hart
Protocolo hartProtocolo hart
Protocolo hart
 
automatas finitos
 automatas finitos automatas finitos
automatas finitos
 
Practica 7 Flip Flop
Practica 7 Flip FlopPractica 7 Flip Flop
Practica 7 Flip Flop
 
3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas
3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas
3 Variables LingüíSticas, Variables Difusas Y Reglas Difusas
 
Telecomunicaciones
TelecomunicacionesTelecomunicaciones
Telecomunicaciones
 
47427701 ejercicios-cinematica-soluciones
47427701 ejercicios-cinematica-soluciones47427701 ejercicios-cinematica-soluciones
47427701 ejercicios-cinematica-soluciones
 
Tipos de gramatica y arboles de derivacion
Tipos de gramatica y arboles de derivacionTipos de gramatica y arboles de derivacion
Tipos de gramatica y arboles de derivacion
 

Destacado

6 Sistemas Basados en Reglas - Arquitectura Detallada
6 Sistemas Basados en Reglas - Arquitectura Detallada6 Sistemas Basados en Reglas - Arquitectura Detallada
6 Sistemas Basados en Reglas - Arquitectura DetalladaESCOM
 
5 IntroduccióN A Los Sistemas Basados En Reglas Difusas
5 IntroduccióN A Los Sistemas Basados En Reglas Difusas5 IntroduccióN A Los Sistemas Basados En Reglas Difusas
5 IntroduccióN A Los Sistemas Basados En Reglas DifusasESCOM
 
7 AnáLisis De Un Sistema Basado En Reglas Difusas
7 AnáLisis De Un Sistema Basado En Reglas Difusas7 AnáLisis De Un Sistema Basado En Reglas Difusas
7 AnáLisis De Un Sistema Basado En Reglas DifusasESCOM
 
Logica difusa conceptos
Logica difusa conceptosLogica difusa conceptos
Logica difusa conceptosHugo Perdomo
 
Compendio de Reglas de Inferencia - Lógica Simbólica
Compendio de Reglas de Inferencia - Lógica SimbólicaCompendio de Reglas de Inferencia - Lógica Simbólica
Compendio de Reglas de Inferencia - Lógica SimbólicaLogicaUFM2012
 
INTRODUCCION A LA LOGICA DIFUSA
INTRODUCCION A LA LOGICA DIFUSAINTRODUCCION A LA LOGICA DIFUSA
INTRODUCCION A LA LOGICA DIFUSATelmo Viteri
 
Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...
Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...
Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...garcesheli
 
Introducción Lógica Difusa
Introducción Lógica DifusaIntroducción Lógica Difusa
Introducción Lógica Difusayosueldo
 
I Control de Sistemas.
I Control de Sistemas.I Control de Sistemas.
I Control de Sistemas.ESCOM
 
8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control
8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control
8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para ControlESCOM
 
Analisis de riesgos 2011
Analisis de riesgos 2011Analisis de riesgos 2011
Analisis de riesgos 2011OSCARCASTROM
 
Impacto social del desarrollo de la Inteligencia artificial(español)
Impacto social del desarrollo de la Inteligencia artificial(español)Impacto social del desarrollo de la Inteligencia artificial(español)
Impacto social del desarrollo de la Inteligencia artificial(español)kamh18
 
Arquitectura de software orientada a patrones
Arquitectura de software orientada a patronesArquitectura de software orientada a patrones
Arquitectura de software orientada a patronesGustavo De la Cruz Tovar
 

Destacado (20)

6 Sistemas Basados en Reglas - Arquitectura Detallada
6 Sistemas Basados en Reglas - Arquitectura Detallada6 Sistemas Basados en Reglas - Arquitectura Detallada
6 Sistemas Basados en Reglas - Arquitectura Detallada
 
5 IntroduccióN A Los Sistemas Basados En Reglas Difusas
5 IntroduccióN A Los Sistemas Basados En Reglas Difusas5 IntroduccióN A Los Sistemas Basados En Reglas Difusas
5 IntroduccióN A Los Sistemas Basados En Reglas Difusas
 
7 AnáLisis De Un Sistema Basado En Reglas Difusas
7 AnáLisis De Un Sistema Basado En Reglas Difusas7 AnáLisis De Un Sistema Basado En Reglas Difusas
7 AnáLisis De Un Sistema Basado En Reglas Difusas
 
Logica difusa
Logica difusaLogica difusa
Logica difusa
 
Logica difusa conceptos
Logica difusa conceptosLogica difusa conceptos
Logica difusa conceptos
 
Compendio de Reglas de Inferencia - Lógica Simbólica
Compendio de Reglas de Inferencia - Lógica SimbólicaCompendio de Reglas de Inferencia - Lógica Simbólica
Compendio de Reglas de Inferencia - Lógica Simbólica
 
Inferencia LóGica
Inferencia LóGicaInferencia LóGica
Inferencia LóGica
 
INTRODUCCION A LA LOGICA DIFUSA
INTRODUCCION A LA LOGICA DIFUSAINTRODUCCION A LA LOGICA DIFUSA
INTRODUCCION A LA LOGICA DIFUSA
 
Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...
Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...
Xfuzzy : Un entorno de Descripción, Verificación y sistemas Basados en Lógica...
 
Introducción Lógica Difusa
Introducción Lógica DifusaIntroducción Lógica Difusa
Introducción Lógica Difusa
 
Control fuzzi
Control fuzziControl fuzzi
Control fuzzi
 
I Control de Sistemas.
I Control de Sistemas.I Control de Sistemas.
I Control de Sistemas.
 
8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control
8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control
8 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas Para Control
 
Logica difusa grupo 2
Logica difusa grupo 2Logica difusa grupo 2
Logica difusa grupo 2
 
Logica Difusa
Logica DifusaLogica Difusa
Logica Difusa
 
Analisis de riesgos 2011
Analisis de riesgos 2011Analisis de riesgos 2011
Analisis de riesgos 2011
 
Fuzzy logic 2014
Fuzzy logic 2014Fuzzy logic 2014
Fuzzy logic 2014
 
Sistema basado en el comocimiento
Sistema basado en el comocimientoSistema basado en el comocimiento
Sistema basado en el comocimiento
 
Impacto social del desarrollo de la Inteligencia artificial(español)
Impacto social del desarrollo de la Inteligencia artificial(español)Impacto social del desarrollo de la Inteligencia artificial(español)
Impacto social del desarrollo de la Inteligencia artificial(español)
 
Arquitectura de software orientada a patrones
Arquitectura de software orientada a patronesArquitectura de software orientada a patrones
Arquitectura de software orientada a patrones
 

Similar a Tema 4 Sistemas Basados En Reglas Difusas

Tema 1 TeoríA De Sistemas. Sistemas Inteligentes
Tema 1 TeoríA De Sistemas. Sistemas InteligentesTema 1 TeoríA De Sistemas. Sistemas Inteligentes
Tema 1 TeoríA De Sistemas. Sistemas InteligentesESCOM
 
INTRODUCCIÓN A LOS SISTEMAS NEURODIFUSOS
INTRODUCCIÓN  A  LOS  SISTEMAS  NEURODIFUSOSINTRODUCCIÓN  A  LOS  SISTEMAS  NEURODIFUSOS
INTRODUCCIÓN A LOS SISTEMAS NEURODIFUSOSESCOM
 
Diagrama de Clases y Diagrama de Paquetes
Diagrama de Clases y Diagrama de PaquetesDiagrama de Clases y Diagrama de Paquetes
Diagrama de Clases y Diagrama de PaquetesCharly410064
 
6. repres e infer parte3
6. repres e infer parte36. repres e infer parte3
6. repres e infer parte3norma8avila
 
Tema 5 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas
Tema 5 DiseñO AutomáTico De Sistemas Basados En Reglas DifusasTema 5 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas
Tema 5 DiseñO AutomáTico De Sistemas Basados En Reglas DifusasESCOM
 
Herramientas Monitoreo De Redes
Herramientas Monitoreo De RedesHerramientas Monitoreo De Redes
Herramientas Monitoreo De RedesDarwin cango
 
UNIDAD 2_Tema 1.pdf
UNIDAD 2_Tema 1.pdfUNIDAD 2_Tema 1.pdf
UNIDAD 2_Tema 1.pdfjaimelovato
 

Similar a Tema 4 Sistemas Basados En Reglas Difusas (20)

Conjunto y Sistemas Difusos
Conjunto y Sistemas DifusosConjunto y Sistemas Difusos
Conjunto y Sistemas Difusos
 
Tema 1 TeoríA De Sistemas. Sistemas Inteligentes
Tema 1 TeoríA De Sistemas. Sistemas InteligentesTema 1 TeoríA De Sistemas. Sistemas Inteligentes
Tema 1 TeoríA De Sistemas. Sistemas Inteligentes
 
INTRODUCCIÓN A LOS SISTEMAS NEURODIFUSOS
INTRODUCCIÓN  A  LOS  SISTEMAS  NEURODIFUSOSINTRODUCCIÓN  A  LOS  SISTEMAS  NEURODIFUSOS
INTRODUCCIÓN A LOS SISTEMAS NEURODIFUSOS
 
Curso dnp 3 por sel
Curso dnp 3 por selCurso dnp 3 por sel
Curso dnp 3 por sel
 
Ii corte presentacion i
Ii corte presentacion iIi corte presentacion i
Ii corte presentacion i
 
Ii corte presentacion i
Ii corte presentacion iIi corte presentacion i
Ii corte presentacion i
 
Sistemas operativos 1
Sistemas operativos 1Sistemas operativos 1
Sistemas operativos 1
 
Plan de estudios
Plan de estudiosPlan de estudios
Plan de estudios
 
Sistemas Expertos
Sistemas ExpertosSistemas Expertos
Sistemas Expertos
 
IC-SBC1-2008.ppt
IC-SBC1-2008.pptIC-SBC1-2008.ppt
IC-SBC1-2008.ppt
 
Diagrama de Clases y Diagrama de Paquetes
Diagrama de Clases y Diagrama de PaquetesDiagrama de Clases y Diagrama de Paquetes
Diagrama de Clases y Diagrama de Paquetes
 
6. repres e infer parte3
6. repres e infer parte36. repres e infer parte3
6. repres e infer parte3
 
Tema 5 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas
Tema 5 DiseñO AutomáTico De Sistemas Basados En Reglas DifusasTema 5 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas
Tema 5 DiseñO AutomáTico De Sistemas Basados En Reglas Difusas
 
Herramientas Monitoreo De Redes
Herramientas Monitoreo De RedesHerramientas Monitoreo De Redes
Herramientas Monitoreo De Redes
 
Sistemas operativos 1
Sistemas operativos 1Sistemas operativos 1
Sistemas operativos 1
 
Sistemas operativos i li
Sistemas operativos i liSistemas operativos i li
Sistemas operativos i li
 
Sistemas operativos i li
Sistemas operativos i liSistemas operativos i li
Sistemas operativos i li
 
Plan de estudios 5to
Plan de estudios 5toPlan de estudios 5to
Plan de estudios 5to
 
UNIDAD 2_Tema 1.pdf
UNIDAD 2_Tema 1.pdfUNIDAD 2_Tema 1.pdf
UNIDAD 2_Tema 1.pdf
 
Tema3
Tema3Tema3
Tema3
 

Más de ESCOM

redes neuronales tipo Som
redes neuronales tipo Somredes neuronales tipo Som
redes neuronales tipo SomESCOM
 
redes neuronales Som
redes neuronales Somredes neuronales Som
redes neuronales SomESCOM
 
redes neuronales Som Slides
redes neuronales Som Slidesredes neuronales Som Slides
redes neuronales Som SlidesESCOM
 
red neuronal Som Net
red neuronal Som Netred neuronal Som Net
red neuronal Som NetESCOM
 
Self Organinising neural networks
Self Organinising  neural networksSelf Organinising  neural networks
Self Organinising neural networksESCOM
 
redes neuronales Kohonen
redes neuronales Kohonenredes neuronales Kohonen
redes neuronales KohonenESCOM
 
Teoria Resonancia Adaptativa
Teoria Resonancia AdaptativaTeoria Resonancia Adaptativa
Teoria Resonancia AdaptativaESCOM
 
ejemplo red neuronal Art1
ejemplo red neuronal Art1ejemplo red neuronal Art1
ejemplo red neuronal Art1ESCOM
 
redes neuronales tipo Art3
redes neuronales tipo Art3redes neuronales tipo Art3
redes neuronales tipo Art3ESCOM
 
Art2
Art2Art2
Art2ESCOM
 
Redes neuronales tipo Art
Redes neuronales tipo ArtRedes neuronales tipo Art
Redes neuronales tipo ArtESCOM
 
Neocognitron
NeocognitronNeocognitron
NeocognitronESCOM
 
Neocognitron
NeocognitronNeocognitron
NeocognitronESCOM
 
Neocognitron
NeocognitronNeocognitron
NeocognitronESCOM
 
Fukushima Cognitron
Fukushima CognitronFukushima Cognitron
Fukushima CognitronESCOM
 
Counterpropagation NETWORK
Counterpropagation NETWORKCounterpropagation NETWORK
Counterpropagation NETWORKESCOM
 
Counterpropagation NETWORK
Counterpropagation NETWORKCounterpropagation NETWORK
Counterpropagation NETWORKESCOM
 
Counterpropagation
CounterpropagationCounterpropagation
CounterpropagationESCOM
 
Teoría de Resonancia Adaptativa Art2 ARTMAP
Teoría de Resonancia Adaptativa Art2 ARTMAPTeoría de Resonancia Adaptativa Art2 ARTMAP
Teoría de Resonancia Adaptativa Art2 ARTMAPESCOM
 
Teoría de Resonancia Adaptativa ART1
Teoría de Resonancia Adaptativa ART1Teoría de Resonancia Adaptativa ART1
Teoría de Resonancia Adaptativa ART1ESCOM
 

Más de ESCOM (20)

redes neuronales tipo Som
redes neuronales tipo Somredes neuronales tipo Som
redes neuronales tipo Som
 
redes neuronales Som
redes neuronales Somredes neuronales Som
redes neuronales Som
 
redes neuronales Som Slides
redes neuronales Som Slidesredes neuronales Som Slides
redes neuronales Som Slides
 
red neuronal Som Net
red neuronal Som Netred neuronal Som Net
red neuronal Som Net
 
Self Organinising neural networks
Self Organinising  neural networksSelf Organinising  neural networks
Self Organinising neural networks
 
redes neuronales Kohonen
redes neuronales Kohonenredes neuronales Kohonen
redes neuronales Kohonen
 
Teoria Resonancia Adaptativa
Teoria Resonancia AdaptativaTeoria Resonancia Adaptativa
Teoria Resonancia Adaptativa
 
ejemplo red neuronal Art1
ejemplo red neuronal Art1ejemplo red neuronal Art1
ejemplo red neuronal Art1
 
redes neuronales tipo Art3
redes neuronales tipo Art3redes neuronales tipo Art3
redes neuronales tipo Art3
 
Art2
Art2Art2
Art2
 
Redes neuronales tipo Art
Redes neuronales tipo ArtRedes neuronales tipo Art
Redes neuronales tipo Art
 
Neocognitron
NeocognitronNeocognitron
Neocognitron
 
Neocognitron
NeocognitronNeocognitron
Neocognitron
 
Neocognitron
NeocognitronNeocognitron
Neocognitron
 
Fukushima Cognitron
Fukushima CognitronFukushima Cognitron
Fukushima Cognitron
 
Counterpropagation NETWORK
Counterpropagation NETWORKCounterpropagation NETWORK
Counterpropagation NETWORK
 
Counterpropagation NETWORK
Counterpropagation NETWORKCounterpropagation NETWORK
Counterpropagation NETWORK
 
Counterpropagation
CounterpropagationCounterpropagation
Counterpropagation
 
Teoría de Resonancia Adaptativa Art2 ARTMAP
Teoría de Resonancia Adaptativa Art2 ARTMAPTeoría de Resonancia Adaptativa Art2 ARTMAP
Teoría de Resonancia Adaptativa Art2 ARTMAP
 
Teoría de Resonancia Adaptativa ART1
Teoría de Resonancia Adaptativa ART1Teoría de Resonancia Adaptativa ART1
Teoría de Resonancia Adaptativa ART1
 

Último

FICHA PL PACO YUNQUE.docx PRIMARIA CUARTO GRADO
FICHA  PL PACO YUNQUE.docx PRIMARIA CUARTO GRADOFICHA  PL PACO YUNQUE.docx PRIMARIA CUARTO GRADO
FICHA PL PACO YUNQUE.docx PRIMARIA CUARTO GRADOMARIBEL DIAZ
 
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdfNUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdfEDNAMONICARUIZNIETO
 
PRIMER GRADO SOY LECTOR PART1- MD EDUCATIVO.pdf
PRIMER GRADO SOY LECTOR PART1- MD  EDUCATIVO.pdfPRIMER GRADO SOY LECTOR PART1- MD  EDUCATIVO.pdf
PRIMER GRADO SOY LECTOR PART1- MD EDUCATIVO.pdfGabrieldeJesusLopezG
 
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdfFichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdfssuser50d1252
 
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024gharce
 
Secuencia didáctica.DOÑA CLEMENTINA.2024.docx
Secuencia didáctica.DOÑA CLEMENTINA.2024.docxSecuencia didáctica.DOÑA CLEMENTINA.2024.docx
Secuencia didáctica.DOÑA CLEMENTINA.2024.docxNataliaGonzalez619348
 
HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).
HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).
HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).hebegris04
 
Presentación de cita directa según el Manual de APA
Presentación de cita directa según el Manual de APAPresentación de cita directa según el Manual de APA
Presentación de cita directa según el Manual de APAlcolon
 
DIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJO
DIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJODIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJO
DIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJOLeninCariMogrovejo
 
HISPANIDAD - La cultura común de la HISPANOAMERICA
HISPANIDAD - La cultura común de la HISPANOAMERICAHISPANIDAD - La cultura común de la HISPANOAMERICA
HISPANIDAD - La cultura común de la HISPANOAMERICAJesus Gonzalez Losada
 
Fichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdfFichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdfssuser50d1252
 
MEDIACIÓN INTERNACIONAL MF 1445 vl45.pdf
MEDIACIÓN INTERNACIONAL MF 1445 vl45.pdfMEDIACIÓN INTERNACIONAL MF 1445 vl45.pdf
MEDIACIÓN INTERNACIONAL MF 1445 vl45.pdfJosé Hecht
 
4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...
4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...
4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...MagalyDacostaPea
 
El PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/F
El PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/FEl PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/F
El PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/FJulio Lozano
 
BITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdf
BITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdfBITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdf
BITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdfsolidalilaalvaradoro
 
Actividad transversal 2-bloque 2. Actualización 2024
Actividad transversal 2-bloque 2. Actualización 2024Actividad transversal 2-bloque 2. Actualización 2024
Actividad transversal 2-bloque 2. Actualización 2024Rosabel UA
 
Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...Angélica Soledad Vega Ramírez
 

Último (20)

FICHA PL PACO YUNQUE.docx PRIMARIA CUARTO GRADO
FICHA  PL PACO YUNQUE.docx PRIMARIA CUARTO GRADOFICHA  PL PACO YUNQUE.docx PRIMARIA CUARTO GRADO
FICHA PL PACO YUNQUE.docx PRIMARIA CUARTO GRADO
 
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdfNUEVO PLAN Y PROGRAMAS DE ESTUDIO  2022.pdf
NUEVO PLAN Y PROGRAMAS DE ESTUDIO 2022.pdf
 
Sesión La luz brilla en la oscuridad.pdf
Sesión  La luz brilla en la oscuridad.pdfSesión  La luz brilla en la oscuridad.pdf
Sesión La luz brilla en la oscuridad.pdf
 
PRIMER GRADO SOY LECTOR PART1- MD EDUCATIVO.pdf
PRIMER GRADO SOY LECTOR PART1- MD  EDUCATIVO.pdfPRIMER GRADO SOY LECTOR PART1- MD  EDUCATIVO.pdf
PRIMER GRADO SOY LECTOR PART1- MD EDUCATIVO.pdf
 
¿Amor o egoísmo? Esa es la cuestión.pptx
¿Amor o egoísmo? Esa es la cuestión.pptx¿Amor o egoísmo? Esa es la cuestión.pptx
¿Amor o egoísmo? Esa es la cuestión.pptx
 
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdfFichas de matemática DE PRIMERO DE SECUNDARIA.pdf
Fichas de matemática DE PRIMERO DE SECUNDARIA.pdf
 
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
SISTEMA INMUNE FISIOLOGIA MEDICA UNSL 2024
 
Secuencia didáctica.DOÑA CLEMENTINA.2024.docx
Secuencia didáctica.DOÑA CLEMENTINA.2024.docxSecuencia didáctica.DOÑA CLEMENTINA.2024.docx
Secuencia didáctica.DOÑA CLEMENTINA.2024.docx
 
HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).
HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).
HISTORIETA: AVENTURAS VERDES (ECOLOGÍA).
 
Presentación de cita directa según el Manual de APA
Presentación de cita directa según el Manual de APAPresentación de cita directa según el Manual de APA
Presentación de cita directa según el Manual de APA
 
DIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJO
DIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJODIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJO
DIDÁCTICA DE LA EDUCACIÓN SUPERIOR- DR LENIN CARI MOGROVEJO
 
HISPANIDAD - La cultura común de la HISPANOAMERICA
HISPANIDAD - La cultura común de la HISPANOAMERICAHISPANIDAD - La cultura común de la HISPANOAMERICA
HISPANIDAD - La cultura común de la HISPANOAMERICA
 
Fichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdfFichas de Matemática TERCERO DE SECUNDARIA.pdf
Fichas de Matemática TERCERO DE SECUNDARIA.pdf
 
MEDIACIÓN INTERNACIONAL MF 1445 vl45.pdf
MEDIACIÓN INTERNACIONAL MF 1445 vl45.pdfMEDIACIÓN INTERNACIONAL MF 1445 vl45.pdf
MEDIACIÓN INTERNACIONAL MF 1445 vl45.pdf
 
4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...
4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...
4° SES COM MAR 09 Leemos una noticia del dengue e identificamos sus partes (1...
 
El PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/F
El PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/FEl PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/F
El PROGRAMA DE TUTORÍAS PARA EL APRENDIZAJE Y LA FORMACIÓN INTEGRAL PTA/F
 
Aedes aegypti + Intro to Coquies EE.pptx
Aedes aegypti + Intro to Coquies EE.pptxAedes aegypti + Intro to Coquies EE.pptx
Aedes aegypti + Intro to Coquies EE.pptx
 
BITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdf
BITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdfBITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdf
BITÁCORA DE ESTUDIO DE PROBLEMÁTICA. TUTORÍA V. PDF 2 UNIDAD.pdf
 
Actividad transversal 2-bloque 2. Actualización 2024
Actividad transversal 2-bloque 2. Actualización 2024Actividad transversal 2-bloque 2. Actualización 2024
Actividad transversal 2-bloque 2. Actualización 2024
 
Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...Contextualización y aproximación al objeto de estudio de investigación cualit...
Contextualización y aproximación al objeto de estudio de investigación cualit...
 

Tema 4 Sistemas Basados En Reglas Difusas

  • 1. Sistemas Difusos Tema 4 – 1 – Tema 4.- Sistemas Basados en Reglas Difusas. 1. Introducción. 2. Ejemplos de Sistemas basados en reglas difusas. 1. Sistemas de control difuso. 2. Sistemas expertos difusos. 3. Minería de datos difusos. 3. Estructura básica de un sistema basado en reglas difusas (SBRD) . 4. Tipos de sistemas basados en reglas difusas. 5. Arquitectura detallada. 1. Interfaz de Fuzzificación. 2. Base de Conocimiento. 1. Base de Datos. 2. Base de Reglas. 3. Motor de inferencia en un SBRD tipo Mamdani. 4. Interfaz de defuzzificación. 5. Motor de inferencia en un SBRD tipo TSK.
  • 2. Sistemas Difusos Tema 4 – 2 – Objetivos: - Conocer la estructura básica y funcionamiento de un Sistema Basado en Reglas Difusas. - Clasificar los sistemas basados en reglas difusas en base a su estructura y a la estructura de regla difusa utilizada. - Conocer ventajas e inconvenientes de cada uno de los tipos de sistemas basados en reglas difusas. - Conocer distintas opciones de diseño para la interfaz de fuzzificación. - Percibir las cuestiones generales que se plantean en el proceso de derivación de reglas. - Comprender el proceso de inferencia en un sistema difuso para control. - Conocer las definiciones de distintos métodos de defuzzificación y el significado de cada uno de ellos. - Comprender el funcionamiento global de un sistema difuso para control.
  • 3. Sistemas Difusos Tema 4 – 3 – 1.- Introducción. Aplicaciones: • Modelado de sistemas: o Obtención de modelos que representan realidades complejas. o Control: Plantas industriales complejas Control en línea Sistemas de navegación con perturbaciones • Clasificación: detección de patrones, diagnóstico médico, ... • Sistemas expertos: ayuda a la decisión, recuperación de información, planificadores financieros, ... • Minería de datos y descubrimiento de información (Knowledge discovery and data mining): extracción del conocimiento intrínseco contenido en grandes bases de datos con reglas de asociación difusas.
  • 4. Sistemas Difusos Tema 4 – 4 – 2.- Ejemplos de SBRDs 2.1.- SBRDs aplicados a control. Opciones en sistemas digitales: • PID (proporcional-integral-derivativo): o Problemas en entornos de control cambiantes o sistemas no lineales. • MRAC (control adaptativo de modelo de referencia): o Resuelve el problema anterior ajustando los parámetros del controlador comparando la salida con un modelo de referencia. o Necesita un modelo matemático. • Control difuso: o Las entradas, salidas y respuesta de control se especifican con términos similares a los utilizados por un experto en control. o No se requiere un modelo del sistema. o Aprendizaje y ajuste automático fácil de realizar. PROCESO CONTROLADO CONTROLADOR Condiciones Acciones
  • 5. Sistemas Difusos Tema 4 – 5 – 2.1.- SBRDs aplicados a control. PROCESO CONTROLADO MODULO DEFUZZIFICADOR (DESEMBORRONADOR) MODULO FUZZIFICADOR (EMBORRONADOR) MECANISMO DE INFERENCIA DIFUSA BASE DE REGLAS DIFUSAS CONTROLADOR DIFUSO Valor exacto Condiciones Acciones Valor exacto Valor difuso Valor difuso BASE DE DATOS
  • 6. Sistemas Difusos Tema 4 – 6 – 2.2.- SBRDs aplicados a sistemas expertos. Ejemplo: Ámbito agrícola. Ejemplos de Sistemas de BD difusas: • Buckles y Petry • Umano y Fukami • Medina et al. (GEFRED) Agricultor (Usuario final) Ing. Agronómico Elemento suelo de cultivo Propiedades: • Color • Textura • Profundidad • Pendiente • Material orgánico • Minerales • etc. Percepción Análisis Representación Sistema Ayuda Decisión Servidor de SQL BD Base de Datos Catálogo Sistema FMB Servidor de FSQL Cliente 1 FSQL Cliente n FSQL
  • 7. Sistemas Difusos Tema 4 – 7 – 2.3.- SBRDs aplicados a minería de datos. Minería de datos (Data mining) • Conjunto de técnicas de Extracción de conocimiento (Knowledge discovery in databases). • Objetivo: o Información no explícita. o Previamente desconocida. o Potencialmente útil. • Ejemplo: Reglas de asociación [Agrawal et al., 1993]. o Relacionan ítems. (p.e., {leche, arroz} ⇒ canela) o Medidas para importancia y precisión. • Problema: Bases de datos muy grandes (VLDB, Very Large Databases). o Datos dispersos (alta granularidad). o Información de muy diversas fuentes, heterogénea. o Atributos susceptibles de “fuzzificación”. • Solución: Reglas de asociación difusas. o Disminuye la granularidad en la información. o Posibilidad de solapar semánticas. o Obtención de conocimiento comprensible para el usuario.
  • 8. Sistemas Difusos Tema 4 – 8 – 3.- Estructura básica de un sistema basado en reglas difusas. Un Sistema Basado en Reglas Difusas (SBRD) está formado por: • Base de conocimiento. o Base de Reglas. o Base de Datos. • Motor de inferencia. Además en sistemas con entradas y/o salidas nítidas, se incluye un interfaz de fuzzificación y un interfaz de defuzzificación. Interfaz de Fuzificación Interfaz de Defuzificación Base de Reglas Base de Datos Base de Conocimiento Mecanismo de Inferencia R1: Si X1 es Alto y X2 es Bajo entonces Y es Medio R2: Si X1 es Bajo y X2 es Medio entonces Y es Alto ... Bajo Medio Alto X1 Bajo Medio Alto X2 Bajo Medio Alto Y Factores de escala Entrada escalada Salida escalada
  • 9. Sistemas Difusos Tema 4 – 9 – 3.- Estructura básica de un sistema basado en reglas difusas. Convierte la entrada nítida a valor difuso Convierte la salida difusa a valor nítido Contiene el conjunto de acciones a realizar en función del estado Contiene la definición lingüística de las variables Realiza el proceso de razonamiento para estimar la salida en función de la entrada Interfaz de Fuzzificación Interfaz de Defuzzificación Base de Reglas Base de Datos Mecanismo de Inferencia
  • 10. Sistemas Difusos Tema 4 – 10 – 4.- Tipos de sistemas basados en reglas difusas. En función del tipo de regla difusa que utilicen se puede distinguir: • SBRDs tipo Mamdani: “SI X1 es Alto y X2 es Bajo ENTONCES Y es Alto” • SBRDs tipo TSK (Takagi, Sugeno y Kang): “SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)” o No necesitan interfaz de defuzzificación. o El motor de inferencia funciona de distinta forma. 4.1.- SBRDs tipo Mamdani. Ventajas: Facilidad para la derivación de reglas. Interpretabilidad de las reglas difusas. Fueron propuestos antes y se han utilizado con más frecuencia. Inconvenientes: No garantizan la continuidad de la superficie de salida. Menor eficiencia computacional.
  • 11. Sistemas Difusos Tema 4 – 11 – 4.2.- SBRDs tipo TSK. “SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)” Ventajas: Incrementan la precisión. Mayor eficiencia computacional. Facilidad para el análisis del sistema. Garantizan la continuidad de la superficie de salida. Inconvenientes: El consecuente es una fórmula matemática y no proporciona un marco natural para representar conocimiento humano. Limitan la representación de los principios de la lógica difusa.
  • 12. Sistemas Difusos Tema 4 – 12 – 5.- Arquitectura Detallada. 5.1.- El interfaz de fuzzificación. Para cada una de las entradas del sistema: 1. Adquirir los valores nítidos de las variables de entrada. 2. Trasladar los valores de las variables a los universos de discurso correspondientes. 3. En función del tipo de sistema difuso: • Convertir cada valor nítido en un conjunto difuso con grado de pertenencia igual a 1 para ese valor y 0 para el resto (fuzzy singleton) o • hacer corresponder a cada valor nítido el término lingüístico más adecuado, o • calcular el grado de pertenencia a cada uno de los conjuntos difusos utilizados para dicha variable lingüística.
  • 13. Sistemas Difusos Tema 4 – 13 – 5.1.- El interfaz de fuzzificación. Algunas posibilidades: • El valor nítido se convierte en un conjunto difuso tipo singleton. o Es la opción más sencilla y la más utilizada. o Adecuado cuando la medición de las variables de estado es fiable. • Se genera un conjunto difuso con centro el valor nítido y un soporte acorde con la incertidumbre de la medición. x0 1 x0 x0+εx0-ε 1
  • 14. Sistemas Difusos Tema 4 – 14 – 5.2.- La Base de Conocimiento. Está formada por la Base de Reglas y la Base de Datos. Parámetros de diseño implicados: • Elección de las variables de estado del proceso y de control del mismo. • Elección del conjunto de términos lingüísticos para las variables de estado y de control. • Elección de la estructura del antecedente y consecuente de las reglas. • Derivación del conjunto de reglas. Formas de obtención de la base de conocimiento: 1. A través de experiencia experta, conocimiento de ingeniería de control o acciones de un operador de control experimentado. • Experto capaz de describir de forma lingüística sus reglas de decisión (factores de escala, semántica de los conjuntos difusos, operadores implicados, etc.). • A partir de un cuestionario realizado al experto. • Información extraída a partir de la observación de las acciones de control de un operador. 2. Obtención basada en un modelo difuso. 3. Obtención basada en aprendizaje automático (métodos ad hoc, computación evolutiva, redes neuronales, clustering, etc.).
  • 15. Sistemas Difusos Tema 4 – 15 – 5.2.1. Base de Datos. • Proporciona la información necesaria para el funcionamiento del módulo de fuzzificación, de defuzzificación y de la Base de Reglas. • Definición de los conjuntos difusos: • Define la semántica de cada variable lingüística: • También se pueden definir factores de escalado para extender o reducir el universo de discurso, así como cambiar la sensibilidad: Bajo Medio Alto X1 Factores de escala Medio Alto X2 Bajo Medio Alto Y
  • 16. Sistemas Difusos Tema 4 – 16 – 5.2.2.- Base de Reglas. • Representa de forma estructurada la política de control experto. • Se deben determinar los siguientes aspectos: o Qué variables de estado y de control se considerarán. o Qué estructura tendrá la regla difusa. o Qué conjunto de reglas (en su representación simbólica) se utilizará. • Posibilidades de elección de las variables: o Imitar los controladores P, PI, PD y PID: Variables de entrada al controlador: • el error: e • la sumatoria del error a lo largo del tiempo: 1 ( ) t i e i = ∑ • la variación del error: ∆e Salidas del controlador: • la salida del sistema: u • la variación de la salida del sistema: ∆u • Usar variables propias del proceso de las que se puede conseguir su valor a través de una medición.
  • 17. Sistemas Difusos Tema 4 – 17 – 5.2.2.- Base de Reglas. Ejemplo: Base de reglas para el controlador difuso de una aspiradora. • Objetivo: Regular la fuerza de aspiración • ¿Variables de entrada? Cantidad de suciedad: {muy sucio, sucio, algo sucio, casi limpio, limpio} • ¿Variable de control? Fuerza: {muy fuerte, fuerte, normal, débil, muy débil} • Propuesta 1 para la base de reglas: R1: SI la superficie está sucia ENTONCES la fuerza es fuerte R2: SI la superficie está algo sucia ENTONCES la fuerza es normal R3: SI la superficie está casi limpia ENTONCES la fuerza es débil R4: SI la superficie está limpia ENTONCES la fuerza es muy débil
  • 18. Sistemas Difusos Tema 4 – 18 – 5.2.2.- Base de Reglas - Ejemplo. Se puede mejorar el rendimiento incluyendo más información. • ¿Variables de entrada? Cantidad de suciedad: {muy sucio, sucio, algo sucio, casi limpio, limpio} Tipo de superficie: {madera, caucho, alfombra} • ¿Variable de control? Fuerza: {muy fuerte, fuerte, normal, débil, muy débil} • Propuesta 2 de base de reglas: Limpio Casi limpio Algo sucio Sucio Muy sucio Madera Muy débil Muy débil Débil Normal Fuerte Caucho Muy débil Débil Normal Fuerte Muy fuerte Alfombra Débil Normal Normal Fuerte Muy fuerte • Diagrama de bloques del controlador: Sensor de suciedad Indicador de tipo de superficie Contador de tiempo Amplificador SISTEMA DIFUSO DE CONTROL Circuito Motor de v entilación
  • 19. Sistemas Difusos Tema 4 – 19 – 5.3.- El motor de inferencia en un SBRD Mamdani Utiliza reglas difusas para obtener la respuesta del sistema difuso ante una determinada entrada Hay dos formas de realizar este proceso: 1. Inferencia basada en reglas individuales: Aplicar la entrada a la primera regla, a la segunda y así sucesivamente. Posteriormente las salidas de las reglas se unen para obtener una única salida. 2. Inferencia basada en la composición: Calcular la relación difusa que representa el significado de toda la base de reglas para aplicar la entrada a esa relación difusa global. • Esquema simplificado de un motor de inferencia basado en reglas individuales: 1. Disparo de reglas: Una regla se dispara si el grado de “emparejamiento” del antecedente de la regla con la entrada es mayor que cero. a. Cálculo del grado de aplicabilidad. • Antecedente con una variable. • Antecedente con más de una variable. b. Escalado o corte de la salida difusa.
  • 20. Sistemas Difusos Tema 4 – 20 – 5.3.- El motor de inferencia en un SBRD Mamdani 2. Agregación de las salidas (si es necesaria) • Parámetros de diseño para el motor de inferencia: • Elección del tipo de motor de inferencia. • Basado en reglas individuales. • Basado en la composición de reglas. • Elección de la representación del significado de las reglas difusas. • Operadores de conjunción, disyunción, complemento, modificadores lingüísticos, según el caso. • Operador de implicación. • Operador de agregación de reglas. ⊕ Escalado de la salida Emparejamiento: 0.4 = min(0.75 , 0.4) Agregación de las salidas
  • 21. Sistemas Difusos Tema 4 – 21 – 5.4.- El interfaz de defuzzificación. • La defuzzificación transforma el conjunto difuso de salida en un valor nítido. • Supongamos que tenemos m reglas difusas: Si x1 es A1 (k) ∧ x2 es A2 (k) ∧ ... ∧ xn es An (k) ⇒ y es B(k) con k = 1, 2, ..., m. • Si introducimos unos valores de entrada: A1*, A2*, ..., An*, obtenemos como salida los conjuntos difusos: B’ (1) , B’ (2) , ..., B’ (m) • Unimos todas las salidas: ( ) 1 ' ' m k k B B = = ∪ ⇒ y es B’ • Objetivo: averiguar cuál es el valor nítido B* que mejor representa a B’. a) Centro de área o centro de gravedad. b) Centro de sumas. c) Centro de mayor área. d) Método de la altura. e) Primero del máximo, último del máximo y media de los máximos.
  • 22. Sistemas Difusos Tema 4 – 22 – 5.4.- El interfaz de defuzzificación. a) Centro de área o centro de gravedad. • Para evitar calcular la integral numérica, se realiza una discretización de la salida: 1 2{ , , , }l Y y y y= … • Inconvenientes: El cálculo del conjunto difuso agregado es costoso. No tiene en cuenta el hecho de que dos áreas se solapen. ' ' · ( ) * ( ) B B y y dy B y dy µ µ = ∫ ∫ ' 1 ' 1 · ( ) * ( ) l i iB i l iB i y y B y µ µ = = = ∑ ∑ unión
  • 23. Sistemas Difusos Tema 4 – 23 – 5.4.- El interfaz de defuzzificación. b) Centro de sumas. ( ) ( ) ' 1 1 ' 1 1 · ( ) * ( ) k k l m i iB i k l m iB i k y y B y µ µ = = = = = ∑ ∑ ∑∑ • Considera la contribución de cada área de forma independiente. El método del centro de área toma la unión de los B’(k) mientras que este método toma la suma de los conjuntos. De esta forma, si un área se repite, se considera de nuevo, evitando el problema de solapamiento visto anteriormente. • No requiere el cálculo del conjunto difuso de salida c) Centro de mayor área. • Problema: si B’ no es convexo, el centro de área y de sumas da una salida en la zona intermedia, donde el conjunto difuso tiene baja importancia. • Solución: Se determina el conjunto difuso con mayor área y se calcula su centro de gravedad. • Es un método muy costoso. salida
  • 24. Sistemas Difusos Tema 4 – 24 – 5.4.- El interfaz de defuzzificación. d) Método de la altura. • No requiere el cálculo del conjunto difuso de salida. • Rápido. • Requiere la definición del punto umbral (primer punto de un conjunto difuso con grado de pertenencia máximo). ( ) ( ) ( ) ( ) ' 1 ( ) ' 1 · ( ) * ( ) k k m k k B k m k B k c c B c µ µ = = = ∑ ∑ siendo c(k) el valor umbral del conjunto difuso B’ (k) . e) Primero del máximo, último del máximo y media de los máximos. • Toma el valor más pequeño, más grande o medio del núcleo del conjunto difuso resultante. Ventaja: Coste computacional muy bajo. • Inconvenientes: Valor de salida menos representativo. Puede producir discontinuidades, es decir, generar una salida no continua para pequeños cambios en la entrada. Último Media Primero Cambio de entrada 20 21 x0 x1
  • 25. Sistemas Difusos Tema 4 – 25 – 5.5.- El Motor de Inferencia en un SBRD tipo TSK. Reglas del tipo: SI x1 es A1 y x2 es A2 y ... y xn es An ENTONCES y = f(x1, x2, ..., xn) En general f(x1, ..., xn) = a0 + a1·x1 + ... + an xn • El antecedente se procesa igual que el de las reglas tipo Mamdani. • Para una entrada específica, el resultado de disparar una regla es un valor nítido. • Finalmente los valores nítidos obtenidos al dispararse distintas reglas se combinan para obtener una única salida (máximo, media aritmética ponderada, etc.). Ejemplo: R1: SI la presión es NG y la temperatura es A ENTONCES el tiempo es 0.3·presión + 0.5·temperatura • Entrada: presión = –22 y temperatura= 22 • Grado de aplicabilidad de la regla = 0.6 • tiempo = 0.3 · (-22) + 0.5 · 22 = 4.4 • La salida completa será: (4.4, 0.6) Salida R5: (5.5, 0.5) Salida = (4.4 · 0.6 + 5.5 · 0.5) / (0.6 + 0.5) = 4.9