SlideShare una empresa de Scribd logo
1 de 28
Fundamentos de la Lógica borrosa
Fundamentos ,[object Object],[object Object],[object Object]
Fundamentos ,[object Object],[object Object]
Lógica borrosa vs. Lógica tradicional 1 10 40 Temperatura 1 Temperatura Alta 20 30 Media Baja 10 40 Alta 20 30 Media Baja ¡Mi nieta  tiene fiebre!
Función de pertenencia
Función de pertenencia Soporte
Funciones de pertenencia Triangular Trapezoidal
Funciones de pertenencia Matlab:  >> mfdemo
Función de pertenencia singleton Singleton o  punto borroso Sea  A  una función  de pertenencia,  si  sop(A) ={x 0 }  entonces  A  es un singleton  y se usa la notación  .
Dos conjuntos en un universo . Solape Intersección Unión
Lógica de conexión T(x, y)=T(y, x)     Simetricidad T(x, T(y ,z))=T(T(x, y), z)     Asociatividad Monotonicidad Identidad unitaria . Lógica de conexión  y  o norma triangular  T Satisface las siguientes propiedades:
Lógica de conexión  y . MIN PANDA LANDA
Lógica de conexión  y . Mínimo MIN(a, b)  = min{ a, b } Lukasiewicz LANDA(a, b)  = max{ a+b -1, 0} Probabilística PANDA(a, b)  =  ab Weak Hamacher Dubois y Prade Yager
Intervalos de la lógica de conexión  y . MIN WEAK
Lógica de conexión  o . Máximo MAX(a, b)  = max{ a, b } Lukasiewicz LOR(a, b)  = min{ a+b , 1} Probabilística POR(a, b) = a+b - ab Strong Hamacher Yager
Lógica de conexión  o . Lógica de conexión  o  o co-norma  T LOR MAX POR
Intervalos de la lógica de conexión  o . STRONG MAX
Variable lingüística . Variable lingüística :   Variable cuyos valores son palabras o sentencias pertenecientes al lenguaje natural o artificial, la cual se caracteriza por el siguiente cuádruple: {  X ,  T ( X ),  U ,  G  } Nombre de la  variable  lingüística Conjunto de términos  (valores lingüísticos)  definidos en  X Dominio físico real sobre el que están definidos los valores que se aplican a la variable lingüística Función semántica que da un “significado” (interpretación) a una variable lingüística en función de los elementos a los que  x  representa
Ejemplo de variable lingüística . ,[object Object],[object Object],[object Object],[object Object],{  X ,  T ( X ),  U ,  G  }
Términos lingüísticos modificados . Término lingüístico modificado :   Concentración o dilatación de funciones de pertenencia  como consecuencia de utilizar un modificador o adjetivo: muy, algo, etc.   Aplicándose la  dilatación   cuando  k  < 1 y la  concentración   cuando  k > 1
Ejemplos de términos  lingüísticos modificados . ,[object Object],[object Object]
Razonamiento basado en un  conjunto de reglas . Sistema borroso : Sistema inteligente que, a partir de un conjunto de  funciones de pertenencia  definidas en determinado  universo de discurso  y determinadas  reglas definidas por un experto  realiza una  inferencia  a partir de valores de las variables de entrada Si  A  es  BAJA  y  B  es  ALTA  Entonces  C(A,B)  es  MEDIO
Partes de una regla . Si  A  es  BAJA  y  B  es  ALTA  Entonces  C(A,B)  es  MEDIO Premisa Conclusión Variables  de entrada Variable  de salida Términos  lingüísticos Operador  lógico borroso  (Normas)
Generación del conocimiento . Regla 1:   Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  medio  entonces  nivel en el punto 3  es  medio Regla 2:  Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  alto  entonces  nivel en el punto 3  es  alto Bajo Medio Alto C1  Caudal en el punto 1 Bajo Medio Alto C2  Caudal en el punto 2 .49 .56 .2 Variables  de entrada Grados de  pertenencia
Generación del conocimiento . Regla 1:   Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  medio  entonces  nivel en el punto 3  es  medio Regla 2:  Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  alto  entonces  nivel en el punto 3  es  alto Bajo Medio Alto C1  Caudal en el punto 1 Bajo Medio Alto C2  Caudal en el punto 2 .49 .56 .2 Norma T : MIN Grado de veracidad  de la regla Borrosificador Regla Antecedente 1  Antecedente 2  (A_1  A_2) Regla 1 0.49 0.2 0.2 Regla 2 0.49 0.56 0.49
Generación del conocimiento . Regla 1:   Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  medio  entonces  nivel en el punto 3  es  medio Regla 2:  Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  alto  entonces  nivel en el punto 3  es  alto Bajo Medio Alto Nivel en el punto 3 .49 .2 Regla 1 Regla 2 Implicación o inferencia Implicación o inferencia : Se aplica cuando existen reglas  con el  mismo consecuente Regla Grado de veracidad  de la regla Regla 1 0.2 Regla 2 0.49
Generación del conocimiento . Regla 1:   Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  medio  entonces  nivel en el punto 3  es  medio Regla 2:  Si  caudal en el punto 1  es  medio  y  caudal en el punto 2  es  alto  entonces  nivel en el punto 3  es  alto Bajo Medio Alto Nivel en el punto 3 .49 .2 Regla 1 Regla 2 Desborrosificador Centro de área  o  Centro promedio
Pasos para diseñar  un conjunto de reglas . ,[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object],[object Object]

Más contenido relacionado

Similar a Lógica Borrosa

Utp sirn_s12_sistemas de control basados en logic difusa
 Utp sirn_s12_sistemas de control basados en logic difusa Utp sirn_s12_sistemas de control basados en logic difusa
Utp sirn_s12_sistemas de control basados en logic difusajcbp_peru
 
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
 
Trabajo maria romero
Trabajo maria romeroTrabajo maria romero
Trabajo maria romeromaria romero
 
Actividad20 ochoamendoza(1)
Actividad20 ochoamendoza(1)Actividad20 ochoamendoza(1)
Actividad20 ochoamendoza(1)Carlos Mendoza
 
Aplicaciones de las derivadas
Aplicaciones de las derivadasAplicaciones de las derivadas
Aplicaciones de las derivadasRosa Leal
 
Aplicación de la derivada
Aplicación de la derivadaAplicación de la derivada
Aplicación de la derivadaJose Pacheco
 
Límites de una función
Límites de una funciónLímites de una función
Límites de una funciónKarlos Rivero
 
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSACONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSAESCOM
 
ECUACIONES NO LINEALES
ECUACIONES NO LINEALESECUACIONES NO LINEALES
ECUACIONES NO LINEALESsdiupg1
 
Utp sirn_s13_sistemas de control basados en logic difusa
 Utp sirn_s13_sistemas de control basados en logic difusa Utp sirn_s13_sistemas de control basados en logic difusa
Utp sirn_s13_sistemas de control basados en logic difusajcbp_peru
 
2 conferencia 2 parámetros de transmisión
2 conferencia 2 parámetros de transmisión2 conferencia 2 parámetros de transmisión
2 conferencia 2 parámetros de transmisiónelieserernesto
 
Diagramas de BODE
Diagramas de BODE Diagramas de BODE
Diagramas de BODE andrinel16
 
1_Control_Fuzzy.ppt
1_Control_Fuzzy.ppt1_Control_Fuzzy.ppt
1_Control_Fuzzy.pptDonnyjulian1
 

Similar a Lógica Borrosa (20)

Actividad no20 3do parcial
Actividad no20 3do parcialActividad no20 3do parcial
Actividad no20 3do parcial
 
Actividad no20 3do parcial
Actividad no20 3do parcialActividad no20 3do parcial
Actividad no20 3do parcial
 
Utp sirn_s12_sistemas de control basados en logic difusa
 Utp sirn_s12_sistemas de control basados en logic difusa Utp sirn_s12_sistemas de control basados en logic difusa
Utp sirn_s12_sistemas de control basados en logic difusa
 
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
 
Trabajo maria romero
Trabajo maria romeroTrabajo maria romero
Trabajo maria romero
 
Logica Difusa
 Logica Difusa  Logica Difusa
Logica Difusa
 
Logica difusa grupo 2
Logica difusa grupo 2Logica difusa grupo 2
Logica difusa grupo 2
 
Actividad20 ochoamendoza(1)
Actividad20 ochoamendoza(1)Actividad20 ochoamendoza(1)
Actividad20 ochoamendoza(1)
 
Graficacion optimizacion2011
Graficacion optimizacion2011Graficacion optimizacion2011
Graficacion optimizacion2011
 
Aplicaciones de las derivadas
Aplicaciones de las derivadasAplicaciones de las derivadas
Aplicaciones de las derivadas
 
Aplicación de la derivada
Aplicación de la derivadaAplicación de la derivada
Aplicación de la derivada
 
Límites de una función
Límites de una funciónLímites de una función
Límites de una función
 
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSACONCEPTOS Y FUNDAMENTOS    DE LÓGICA DIFUSA
CONCEPTOS Y FUNDAMENTOS DE LÓGICA DIFUSA
 
ECUACIONES NO LINEALES
ECUACIONES NO LINEALESECUACIONES NO LINEALES
ECUACIONES NO LINEALES
 
Utp sirn_s13_sistemas de control basados en logic difusa
 Utp sirn_s13_sistemas de control basados en logic difusa Utp sirn_s13_sistemas de control basados en logic difusa
Utp sirn_s13_sistemas de control basados en logic difusa
 
2 conferencia 2 parámetros de transmisión
2 conferencia 2 parámetros de transmisión2 conferencia 2 parámetros de transmisión
2 conferencia 2 parámetros de transmisión
 
Proyecto parcial II
Proyecto parcial IIProyecto parcial II
Proyecto parcial II
 
Diagramas de BODE
Diagramas de BODE Diagramas de BODE
Diagramas de BODE
 
1_Control_Fuzzy.ppt
1_Control_Fuzzy.ppt1_Control_Fuzzy.ppt
1_Control_Fuzzy.ppt
 
Clase 4 logica difusa
Clase 4 logica difusaClase 4 logica difusa
Clase 4 logica difusa
 

Más de Omar Sanchez

Assembly programming II
Assembly programming IIAssembly programming II
Assembly programming IIOmar Sanchez
 
Assembly programming
Assembly programmingAssembly programming
Assembly programmingOmar Sanchez
 
Assembler Programming
Assembler ProgrammingAssembler Programming
Assembler ProgrammingOmar Sanchez
 
Functions for Nano 5 Card
Functions for Nano 5 CardFunctions for Nano 5 Card
Functions for Nano 5 CardOmar Sanchez
 
Ejemplos de modelos basados en adaptacion parametrica
Ejemplos de modelos basados en adaptacion parametricaEjemplos de modelos basados en adaptacion parametrica
Ejemplos de modelos basados en adaptacion parametricaOmar Sanchez
 
Sistemas numericos
Sistemas numericosSistemas numericos
Sistemas numericosOmar Sanchez
 
Referencias MATLAB
Referencias MATLABReferencias MATLAB
Referencias MATLABOmar Sanchez
 
Control Modelo de Referencia y Linealizacion po Realimentacion
Control Modelo de Referencia y Linealizacion po RealimentacionControl Modelo de Referencia y Linealizacion po Realimentacion
Control Modelo de Referencia y Linealizacion po RealimentacionOmar Sanchez
 
Segmentación de imagenes
Segmentación de imagenesSegmentación de imagenes
Segmentación de imagenesOmar Sanchez
 
Imagen e histograma
Imagen e histogramaImagen e histograma
Imagen e histogramaOmar Sanchez
 
Funciones de Lyapunov basado en Krasovskii
Funciones de Lyapunov basado en KrasovskiiFunciones de Lyapunov basado en Krasovskii
Funciones de Lyapunov basado en KrasovskiiOmar Sanchez
 
Sensores de robots
Sensores de robotsSensores de robots
Sensores de robotsOmar Sanchez
 
Vehiculos no tripulados
Vehiculos no tripuladosVehiculos no tripulados
Vehiculos no tripuladosOmar Sanchez
 
Algunos aspectos de estabilidad
Algunos aspectos de estabilidadAlgunos aspectos de estabilidad
Algunos aspectos de estabilidadOmar Sanchez
 
Control basado en modelo
Control basado en modeloControl basado en modelo
Control basado en modeloOmar Sanchez
 

Más de Omar Sanchez (20)

Assembler4
Assembler4Assembler4
Assembler4
 
Assembly programming II
Assembly programming IIAssembly programming II
Assembly programming II
 
Assembly programming
Assembly programmingAssembly programming
Assembly programming
 
Assembler Programming
Assembler ProgrammingAssembler Programming
Assembler Programming
 
Functions for Nano 5 Card
Functions for Nano 5 CardFunctions for Nano 5 Card
Functions for Nano 5 Card
 
Ejemplos de modelos basados en adaptacion parametrica
Ejemplos de modelos basados en adaptacion parametricaEjemplos de modelos basados en adaptacion parametrica
Ejemplos de modelos basados en adaptacion parametrica
 
Sistemas numericos
Sistemas numericosSistemas numericos
Sistemas numericos
 
Ensamblador
EnsambladorEnsamblador
Ensamblador
 
Nano5 features
Nano5 featuresNano5 features
Nano5 features
 
Referencias MATLAB
Referencias MATLABReferencias MATLAB
Referencias MATLAB
 
Control Modelo de Referencia y Linealizacion po Realimentacion
Control Modelo de Referencia y Linealizacion po RealimentacionControl Modelo de Referencia y Linealizacion po Realimentacion
Control Modelo de Referencia y Linealizacion po Realimentacion
 
Fundposori
FundposoriFundposori
Fundposori
 
Segmentación de imagenes
Segmentación de imagenesSegmentación de imagenes
Segmentación de imagenes
 
Imagen e histograma
Imagen e histogramaImagen e histograma
Imagen e histograma
 
Funciones de Lyapunov basado en Krasovskii
Funciones de Lyapunov basado en KrasovskiiFunciones de Lyapunov basado en Krasovskii
Funciones de Lyapunov basado en Krasovskii
 
Sensores de robots
Sensores de robotsSensores de robots
Sensores de robots
 
Vehiculos no tripulados
Vehiculos no tripuladosVehiculos no tripulados
Vehiculos no tripulados
 
Algunos aspectos de estabilidad
Algunos aspectos de estabilidadAlgunos aspectos de estabilidad
Algunos aspectos de estabilidad
 
Control basado en modelo
Control basado en modeloControl basado en modelo
Control basado en modelo
 
Grupos próximos
Grupos próximosGrupos próximos
Grupos próximos
 

Lógica Borrosa

  • 1. Fundamentos de la Lógica borrosa
  • 2.
  • 3.
  • 4. Lógica borrosa vs. Lógica tradicional 1 10 40 Temperatura 1 Temperatura Alta 20 30 Media Baja 10 40 Alta 20 30 Media Baja ¡Mi nieta tiene fiebre!
  • 7. Funciones de pertenencia Triangular Trapezoidal
  • 8. Funciones de pertenencia Matlab: >> mfdemo
  • 9. Función de pertenencia singleton Singleton o punto borroso Sea A una función de pertenencia, si sop(A) ={x 0 } entonces A es un singleton y se usa la notación .
  • 10. Dos conjuntos en un universo . Solape Intersección Unión
  • 11. Lógica de conexión T(x, y)=T(y, x) Simetricidad T(x, T(y ,z))=T(T(x, y), z) Asociatividad Monotonicidad Identidad unitaria . Lógica de conexión y o norma triangular T Satisface las siguientes propiedades:
  • 12. Lógica de conexión y . MIN PANDA LANDA
  • 13. Lógica de conexión y . Mínimo MIN(a, b) = min{ a, b } Lukasiewicz LANDA(a, b) = max{ a+b -1, 0} Probabilística PANDA(a, b) = ab Weak Hamacher Dubois y Prade Yager
  • 14. Intervalos de la lógica de conexión y . MIN WEAK
  • 15. Lógica de conexión o . Máximo MAX(a, b) = max{ a, b } Lukasiewicz LOR(a, b) = min{ a+b , 1} Probabilística POR(a, b) = a+b - ab Strong Hamacher Yager
  • 16. Lógica de conexión o . Lógica de conexión o o co-norma T LOR MAX POR
  • 17. Intervalos de la lógica de conexión o . STRONG MAX
  • 18. Variable lingüística . Variable lingüística : Variable cuyos valores son palabras o sentencias pertenecientes al lenguaje natural o artificial, la cual se caracteriza por el siguiente cuádruple: { X , T ( X ), U , G } Nombre de la variable lingüística Conjunto de términos (valores lingüísticos) definidos en X Dominio físico real sobre el que están definidos los valores que se aplican a la variable lingüística Función semántica que da un “significado” (interpretación) a una variable lingüística en función de los elementos a los que x representa
  • 19.
  • 20. Términos lingüísticos modificados . Término lingüístico modificado : Concentración o dilatación de funciones de pertenencia como consecuencia de utilizar un modificador o adjetivo: muy, algo, etc. Aplicándose la dilatación cuando k < 1 y la concentración cuando k > 1
  • 21.
  • 22. Razonamiento basado en un conjunto de reglas . Sistema borroso : Sistema inteligente que, a partir de un conjunto de funciones de pertenencia definidas en determinado universo de discurso y determinadas reglas definidas por un experto realiza una inferencia a partir de valores de las variables de entrada Si A es BAJA y B es ALTA Entonces C(A,B) es MEDIO
  • 23. Partes de una regla . Si A es BAJA y B es ALTA Entonces C(A,B) es MEDIO Premisa Conclusión Variables de entrada Variable de salida Términos lingüísticos Operador lógico borroso (Normas)
  • 24. Generación del conocimiento . Regla 1: Si caudal en el punto 1 es medio y caudal en el punto 2 es medio entonces nivel en el punto 3 es medio Regla 2: Si caudal en el punto 1 es medio y caudal en el punto 2 es alto entonces nivel en el punto 3 es alto Bajo Medio Alto C1 Caudal en el punto 1 Bajo Medio Alto C2 Caudal en el punto 2 .49 .56 .2 Variables de entrada Grados de pertenencia
  • 25. Generación del conocimiento . Regla 1: Si caudal en el punto 1 es medio y caudal en el punto 2 es medio entonces nivel en el punto 3 es medio Regla 2: Si caudal en el punto 1 es medio y caudal en el punto 2 es alto entonces nivel en el punto 3 es alto Bajo Medio Alto C1 Caudal en el punto 1 Bajo Medio Alto C2 Caudal en el punto 2 .49 .56 .2 Norma T : MIN Grado de veracidad de la regla Borrosificador Regla Antecedente 1 Antecedente 2 (A_1  A_2) Regla 1 0.49 0.2 0.2 Regla 2 0.49 0.56 0.49
  • 26. Generación del conocimiento . Regla 1: Si caudal en el punto 1 es medio y caudal en el punto 2 es medio entonces nivel en el punto 3 es medio Regla 2: Si caudal en el punto 1 es medio y caudal en el punto 2 es alto entonces nivel en el punto 3 es alto Bajo Medio Alto Nivel en el punto 3 .49 .2 Regla 1 Regla 2 Implicación o inferencia Implicación o inferencia : Se aplica cuando existen reglas con el mismo consecuente Regla Grado de veracidad de la regla Regla 1 0.2 Regla 2 0.49
  • 27. Generación del conocimiento . Regla 1: Si caudal en el punto 1 es medio y caudal en el punto 2 es medio entonces nivel en el punto 3 es medio Regla 2: Si caudal en el punto 1 es medio y caudal en el punto 2 es alto entonces nivel en el punto 3 es alto Bajo Medio Alto Nivel en el punto 3 .49 .2 Regla 1 Regla 2 Desborrosificador Centro de área o Centro promedio
  • 28.