Sistemas difusos
-
Upload
hugo-banda -
Category
Technology
-
view
238 -
download
2
Transcript of Sistemas difusos
Dr. Hugo A. Banda Gamboa
CORDICYTAgosto, 2016
CONTENIDO
I. Teoría de los Conjuntos Difusos
II. Conjuntos Difusos
III. Operadores Difusos
IV. Lógica Difusa
V. Inferencia y Razonamiento Difuso
VI. Ejemplos de Sistemas Difusos
VII. Sistemas de Inferencia Neuro-Difusos Adaptativos (ANFIS)
VIII.Conclusión
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 2
TEORÍA DE LOS CONJUNTOS DIFUSOS
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 3
La Teoría de Conjuntos Difusos La Teoría de Conjuntos Difusos se refiere al
estudio de clases de objetos con fronteras indefinidas, de tal forma que las transiciones entre sus conjuntos son graduales antes que abruptas.
Su estudio incluye: Lógica difusa
Aritmética difusa
Programación matemática difusa
Topología difusa
Teoría de gráficos difusos
Análisis de datos difusos
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 4
La Teoría de Conjuntos Difusos Lotfi Zadeh (1965), a través de la Teoría de los
Conjuntos Difusos propuso una representación de
tipo lingüística antes que matemática para los
sistemas difusos. Los conjuntos difusos permiten
representar conceptos imprecisos.
Están basados en la premisa que los elementos
clave en el pensamiento humano no son solamente
números, sino que pueden ser representados,
aproximadamente, por clases de objetos cuyas
funciones de membrecía pueden tener transiciones
graduales entre ellas y traslaparse.
*Zadeh L A. Fuzzy Sets. Inform. and Control, Vol 8, 1965, pp 338-353
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 5
La Función de MembrecíaDefine cómo un punto en el espacio de
entrada (universo de lectura), es proyectado a un valor de membrecía (difusidad) comprendido entre 0 y 1.
La función de membrecía puede ser lineal por tramos o una curva continua de forma arbitraria, escogida de tal manera que satisfaga la naturaleza del problema que representa, desde el punto de vista de simplicidad, conveniencia, rapidez y eficiencia.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 6
Difusidad La difusidad describe el grado de pertenencia o
membrecía de un elemento a un conjunto difuso. Es
una medida de cuan bien una instancia (valor)
conforma con un ideal semántico o concepto.
Un conjunto difuso tiene varias propiedades
intrínsecas que afectan la forma cómo es utilizado y
cómo participa en un modelo:
Función que describe la membrecía de los elementos del
conjunto difuso (lineal, triangular, trapezoidal, sigmoidal,
gaussiana, ...).
Dimensión vertical (altura, normalización).
Dimensión horizontal (dominio, umbral, conjunto válido y
universo de lectura )
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 7
Variables Lingüísticas
Una variable lingüística puede tener uno o más valores lingüísticos, que corresponden a los nombres de las funciones de membrecía (conjuntos difusos).
Los valores lingüísticos, pueden ser vistos como una forma de compresión de datos, que se la conoce como granulación.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 8
CONJUNTOS DIFUSOS
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 9
Conjuntos Difusos Los conjuntos difusos relacionan un valor que
representa un miembro de un conjunto, a un número entre 0 y 1 que indica el grado de pertenencia () de ese miembro a dicho conjunto.
Un grado igual a 0 significa que el valor no está contenido en el conjunto, mientras que un grado igual a 1 implica que el valor es totalmente representativo del conjunto.
Estos dos extremos están unidos por una función continua que representa una transición gradual entre 0 y 1.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 10
Conjuntos Difusos: Ejemplos
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 11
120 160 200PESO EN LIBRAS
Pesados
0
1
x
(x)
Conjunto Válido
Universo de Lectura
Umbral
30 70 110Temperatura en ºC
CONJUNTOS DIFUSOS
0
1
x
(x)
Universo de Lectura para Variable Temperatura
Fría Tibia Normal Caliente
LARGA
0
0,2
0,4
0,6
0,8
1
1 5 9 13 17 21 25
DURACIÓN DEL PROYECTO (Semanas)
GR
AD
O D
E P
ER
TE
NE
NC
IA
Idea de un Proyecto de Larga Duración
OPERADORES DIFUSOS
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 12
Operadores Difusos Unión
A B = Max(A[x], B[x])
Intersección
A B = Min(A[x], B[x])
Complemento
~A = 1- A[x]
Normalización
Norm(A) = A[x]/ Max(A[x])
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 13
Aplicación de Operadores Difusos
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 14
A
Norm(A)1
0
A ~A
1
0
A
B
1
0
A
B
A B
1
0
A B
Operadores Difusos Dilatación
Dil(A) = (A[x])1/2
Concentración
Con(A) = (A[x])2
Intensificación
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 15
Int (A)=2*(A[x])2 0.0 <A[x] 0.5
1 – 2*(1 - A[x])2 0.5 < A[x] 1.0
Aplicación de Operadores Difusos
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 16
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
ACon(A)
Dil(A) Int(A)
Calificadores Difusos
Las variables lingüísticas pueden tener asociados calificadores difusos que cambian la forma de la función de membrecía.
Actúan de igual manera que los adjetivos o adverbios: muy, bastante, más o menos, algo, casi, alrededor de, definitivamente, positivamente, ligeramente, extremadamente, ...
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 17
Calificadores y Operaciones Difusas
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 18
Calificador OPERACIÓN
A y B A B
A o B A B
No (A) ~A
Muy (A) Con(A)
Ligeramente(A) Dil(A)
Más o Menos (A) Norm(Int(Dil(A)) No(A))
Razonablemente (A) Con(Norm(Dil(Con(A) Int(Con(A)))
Cualquier Cosa Menos (A) Int(No(A))
Algo Como (A) Int(Dil(A))
Parecido a (A) Norm(Int(Dil(A)) Int(Dil(No(A)))
En Cierto Sentido (A) Norm(Int(A) No(A))
Estructura de una Variable Lingüística
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 19
VariableLingüística
CalificadoresDifusos
Conjuntos Difusos
LÓGICA DIFUSA
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 20
La Lógica Difusa Es la base para el desarrollo de una nueva
tecnología en el diseño de sistemas de inteligencia artificial embebidos en las áreas de procesos e ingeniería de control, con el beneficio de:
Reducción significativa del tiempo de desarrollo.
Modelación de sistemas no-lineales muy complejos.
Implantación de controles utilizando sensores y circuitos integrados más baratos.
Diseño e instalación de sistemas avanzados empleando ingenieros de control antes que científicos del control.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 21
La Lógica Difusa Proporciona los medios para reducir y explicar la
complejidad de sistemas:
Mucho de la complejidad está relacionada con la forma en que las variables del sistema son representadas y procesadas.
Los humanos no razonamos en términos de símbolos discretos y números, sino en términos lógicos ambiguos, inciertos, inexactos e imprecisos.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 22
La Lógica DifusaEs un cálculo de compatibilidad.
Trata de describir las características de propiedades que tienen valores que varían en forma continua asociando particiones de estos valores con un membrete semántico.
Mucho del poder descriptivo de la lógica difusa está asociado con el hecho de que esas particiones semánticas pueden traslaparse.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 23
INFERENCIA Y RAZONAMIENTO DIFUSO
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 24
Inferencia Difusa Es un método que interpreta los valores de un
vector de entrada y, basado en un conjunto de reglas, asigna valores al vector de salida.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 25
ReglasInterpretación
Asignación
Términos de
Entrada
Términos de
Salida
Reglas Difusas Las variables y la lógica difusa pueden ser utilizadas
en reglas difusas para hacer inferencias.
El razonamiento en sistemas difusos, se realiza a
través de proposiciones (reglas):
Los conjuntos difusos son los bloques constructivos
de las reglas difusas. En consecuencia, un sistema
difuso se puede considerar como una proyección o
función que transfiere alternativas de un espacio de
entrada a resultados en un espacio de salida.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 26
Interpretación de Reglas Difusas La interpretación de las reglas difusas se realiza en
tres pasos:
1. Fusificar las entradas.- Resolver todas las proposiciones difusas de los antecedentes a un grado de membrecía entre 0 y 1. Si sólo hay una parte en el antecedente, entonces este el grado de contribución de la regla.
2. Aplicar operadores fuzzy a antecedentes múltiples.- Si en el antecedente hay múltiples partes, entonces aplicar los operadores difusos y resolver el antecedente a un solo valor entre 0 y 1.
3. Aplicar el método de implicación.- Usar el grado de contribución de la regla para conformar el conjunto difuso de salida. Si el antecedente es parcialmente verdadero el conjunto difuso de salida es truncado, de acuerdo al método de implicación utilizado.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 27
Interpretación de Reglas Difusas En los sistemas difusos, las reglas se ejecutan
en paralelo y todas contribuyen al resultado, según su grado de veracidad.
La salida de cada regla es un conjunto difuso.
Los conjuntos difusos resultantes de todas las reglas son agregados en un solo conjunto difuso de salida.
Finalmente, el conjunto resultante es defusificado, es decir resuelto a un valor numérico único.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 28
Sistemas de Inferencia DifusaPara relacionar el vector de entrada dado
al vector de salida, el proceso de inferencia difusa involucra funciones de membrecía, operadores difusos y reglas difusas.
Estas relaciones proporcionan la base para tomar decisiones o identificar patrones.
Hay dos tipos de sistemas de inferencia difusa:
El propuesto por Ebrahim Mamdani; y,
El propuesto por Takagi, Sugeno y Kang.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 29
Método de MamdaniEs el más común en la metodología de
desarrollo de sistemas difusos.
El Método de Mamdani fue el primero que se utilizó para construir sistemas de control (1975), utilizando la teoría de los conjuntos difusos propuesta por Lotfi Zadeh en 1973.
Se caracteriza por:
Ser muy intuitivo;
Tener una amplia aceptación; y,
Ser adecuado para uso humano.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 30
Método Sugeno Fue introducido por Takagi, Sugeno y Kang en
1985.
Es similar en varios aspectos al método propuesto por Mamdani, excepto porque las funciones de membrecía de los valores lingüísticos de las variables de salida tienen forma de espiga (singleton spikes).
Se caracteriza por: Ser computacionalmente más eficiente
Tener superficie de salida continua, garantizada
Trabajar muy bien con técnicas de control lineal (PID), optimización y adaptación
Ser adecuado para el análisis matemático.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 31
Razonamiento Difuso Los tres conceptos que constituyen la base
del razonamiento difuso, son: Método de Implicación: Enlace funcional
entre el grado de veracidad en las regiones difusas relacionadas por las proposiciones.
Método de Agregación: Forma de combinar las regiones difusas relacionadas.
Método de Defusificación: Operación que recibe el resultado de la agregación y entrega un valor resultante esperado.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 32
Razonamiento Difuso Métodos de Implicación
Mínimo: Valor lingüístico de salida truncado
Producto: Valor lingüístico de salida escalado
Métodos de Agregación:
Máximo: Max(A,B,C)= Max(A[x],B[x], c[x])
Suma: R=(A[x], B[x], C[x], ...)
OR Probabilístico:
ProbOR(A,B)=A[x]+B[x]-A[x].B[x]
Métodos de Defusificación
Centroide.
Bisector.
Media de Valores Máximos.
Mayor de los Máximos.
Menor de los Máximos
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 33
Metodología Para Desarrollo de Sistemas Difusos Definir el modelo funcional y sus características operativas.
Seleccionar las variables de entrada y salida del modelo.
Definir las funciones de membrecía para cada valor difuso de las variables de entrada y salida del modelo.
Definir la Reglas Difusas: Establecer las relaciones entre todos los valores difusos de las variables de entrada y salida.
Definir los métodos para los operadores difusos: AND y OR.
Definir los métodos para el razonamiento difuso: implicación, agregación y defusificación.
Ejecutar la simulación del sistema,
Refinar y validar el modelo.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 34
EJEMPLOS DE SISTEMAS DIFUSOS: FuzzyLogic ToolBox de MATLAB
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 35
Sistema Difuso: Ejemplo (1)Un sistema de control de temperatura
ambiental utiliza ventiladores. La variable de entrada X, es la temperatura ambiental y la de salida Y es la velocidad de los ventiladores.
Para la temperatura del ambiente se escogen como valores lingüísticos: fría, fresca, normal, abrigada, caliente.
Para la velocidad de los ventiladores se escogen los valores lingüísticos: mínima, baja, media, alta, máxima.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 36
Las Reglas Difusas del Ejemplo (1) son:
Regla 1: Si la temperatura ambiente está fría entonces la velocidad de los ventiladores es mínima.
Regla 2: Si la temperatura ambiente está fresca entonces la velocidad de los ventiladores es baja.
Regla 3: Si la temperatura ambiente está normal entonces la velocidad de los ventiladores es media.
Regla 4: Si la temperatura ambiente está abrigada entonces la velocidad de los ventiladores es alta.
Regla 5: Si la temperatura ambiente está caliente entonces la velocidad de los ventiladores es máxima.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 37
Conjuntos Difusos y Función de Transferencia del Ejemplo (1)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 38
Ejecución de las 5 Reglas Difusas del Ejemplo (1)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 39
Ejemplo (2): Fijación de Precios Una empresa mantiene una política de fijación de
precios de uno de sus productos, basada en los costos de producción y en el nivel de precios de su principal competidor.
El precio de venta al público debe estar alrededor del doble del costo de producción y siempre debe mantenerse cerca del precio del competidor.
Si se conoce que el costo de producción del bien es de USD $12,00 y el precio de venta del mismo bien por parte del consumidor, es de USD $26,00, desarrollar un sistema difuso para la fijación del precio de venta, según la política establecida.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 40
Sistema Difuso para Fijación de Precio de Venta de un Producto
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 41
Sistema Difuso: Ejemplo (3)
Una empresa desea determinar el precio de un producto, en función de la oferta y demanda estimada en cierto momento.
Si la oferta y la demanda están balaceadas, el precio debe ser el recomendado de venta al público, pero si sube la demanda o baja la oferta, el precio debe incrementarse hasta un 50% arriba de su precio nominal; y, si la demanda baja o sube la oferta, el precio puede ser reducido hasta el 50% de su valor nominal.
Las variables de oferta y demanda se considera que varían entre el 50% y el 150% de lo que se conoce como valores normales en el mercado.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 42
Estructura del Sistema Difuso Precio=f(Oferta,Demanda)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 43
Regla 1: Si Oferta Baja y Demanda Baja
Entonces Precio Nominal
Regla 2: Si Oferta Baja y Demanda Normal
Entonces Precio Incrementado
Regla 3: Si Oferta Baja y Demanda Alta
Entonces Precio Incrementado
Entrada 1:
OfertaRegla 4:
Si Oferta Normal y Demanda Baja
Entonces Precio Reducido
Regla 5: Si Oferta Normal y Demanda Normal
Entonces Precio NominalSalida: Precio
Entrada 2:
DemandaRegla 6:
Si Oferta Normal y Demanda Alta
Entonces Precio Incrementado
Regla 7: Si Oferta Alta y Demanda Baja
Entonces Precio Reducido
Regla 8: Si Oferta Alta y Demanda Normal
Entonces Precio Reducido
Regla 9: Si Oferta Alta y Demanda Alta
Entonces Precio Nominal
Σ
Ejemplo (3) Método MamdaniPrecio=f(Oferta,Demanda)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 44
Ejemplo (3) Método SugenoPrecio=f(Oferta,Demanda)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 45
Aplicaciones de Sistemas Difusos
Categoría Ejemplos de Áreas de Aplicación
ControlEs la categoría en la que mayormente se desarrollan aplicaciones
Reconocimiento de Patrones
Imagen (OCR), audio y procesamiento de señales
Análisis Cuantitativo
Investigación de operaciones, estadística y administración
Inferencia
Sistemas expertos para diagnóstico, planeación y predicción; procesamiento de lenguaje natural, interfaces inteligentes, robots inteligentes, ingeniería de software
Recuperación de Información
Bases de datos
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016
Áreas de Aplicación Medicina
Robótica
Educación
Transporte
Agricultura
Computación
Automovilismo
Telecomunicaciones
Seguridad / Mantenimiento
Electrónica para el Consumidor
Administración y Gestión Empresarial
Ingeniería: Financiera, Eléctrica, Química, Mecánica, Civil, Ambiental, Geofísica, Nuclear, Aeroespacial ...
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 47
SISTEMAS DE INFERENCIA NEURO-DIFUSOS ADAPTATIVOS (ANFIS)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 48
Sistema de Inferencia Difuso La estructura básica de un sistema de inferencia
difuso, es un modelo que:
1. Asocia características de variables de entrada a conjuntos difusos.
2. Los conjuntos difusos de entrada son asociados a reglas.
3. Las reglas se asocian a un conjunto de características de salida.
4. Las características de salida a conjuntos difusos; y,
5. Los conjuntos difusos de salida se relacionan a un valor único, que corresponde a las salida del sistema.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 49
Sistema de Inferencia Difuso Como se pudo observar en los ejemplos
desarrollados en la sección anterior, las funciones de membrecía de los conjuntos difusos fueron inicialmente escogidas de manera arbitraria.
La estructura de las reglas fue determinada por la interpretación del diseñador de las características de las variables del modelo.
Luego, siguiendo un proceso experimental se cambiaron los parámetros de las funciones de membrecía, para modificar su forma e ir configurando la función de transferencia deseada.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 50
Aprendizaje Neuro-Difuso De la experiencia obtenida del diseño de sistemas
difusos se puede concluir que es muy difícil discernir las funciones de membrecía que serían más apropiadas modelar la función de transferencia requerida, según la información disponible.
Para estos casos, si se dispone de un conjunto de datos de entrada y las correspondientes salidas deseadas, se puede utilizar un sistema de inferencia neuro – difuso adaptativo (ANFIS), para ajustar los parámetros de las funciones de membrecía.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 51
Adaptive Neuro-Fuzzy Inference System(ANFIS)
MATLAB, como parte del Fuzzy Toolbox, ofrece la
función anfis, que puede se accedida a través de la
línea de comando o del Diseñador Neuro – Difuso.
La función anfis construye un sistema de inferencia
difuso en el que los parámetros de las funciones de membrecía son adaptados utilizando ya sea un algoritmo de retropropagación sólo o combinado con el método de mínimos cuadrados.
La estructura del sistema de inferencia difuso es similar al de una red neuronal, en la que los parámetros asociados a las funciones de membrecía, cambian a través de un proceso de aprendizaje.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 52
Diseñador Neuro - Difuso Para iniciar la interfaz gráfica, se utiliza el
siguiente comando:
neuroFuzzyDesigner
A través de la ventana del diseñador, se pueden realizar las siguientes tareas:
1. Cargar, graficar y borrar datos
2. Generar o cargar la estructura inicial del Sistema de Inferencia Difuso (FIS).
3. Entrenar el FIS
4. Validar el FIS entrenado.
El diseñador neuro-difuso, trabaja con FIS tipo Sugeno.
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 53
ANFIS-1: Datos Control de Temperatura Ambiental con Ventiladores
Datos para Entrenamiento
Datos para Comprobación
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 54
ANFIS-1: Resultados Control de Temperatura Ambiental con Ventiladores
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 55
ANFIS-2: Datos Fijación de Precios
Datos para Entrenamiento
Datos para Comprobación
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 56
ANFIS-2: Resultados Fijación de Precios
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 57
ANFIS-3: Datos Precio=f(Oferta,Demanda)
Datos para Entrenamiento
Datos para Comprobación
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 58
ANFIS-3: Resultados Precio=f(Oferta,Demanda)
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 59
ANFIS-4: Datos Predicción de Consumo de Energía Eléctrica
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 60
ANFIS-4: Resultados Predicción de Consumo de Energía Eléctrica
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 61
Conclusión
Lo natural no es exacto, lo exacto
no es natural.
- Albert Einstein
© CORDICYT - Dr. Hugo A. Banda Gamboa - 2016 62