Por ejemplo: Representación de Familias de ingresos-altos. 80 K 120 K Ingresos al año Alto µ 1 El conjunto difuso es asociado a un término lingüístico
Términos lingüísticos: beneficios Asociar un conjunto difuso a un término lingüístico ofrece dos beneficios importantes: 1. La asociación hace más fácil que un operador experto exprese su conocimiento usando términos lingüísticos. 2. El conocimiento expresado en términos lingüísticos es más fácil de comprender. Estos beneficios resultan en un ahorro significante en el costo del diseño, la modificación, y el mantenimiento de un sistema lógico difuso.
Un concepto importante en la Lógica Difusa, que permite tener los dos beneficios descritos, es el de Variable lingüística. Es importante subrayar que un conjunto difuso siempre se define a partir del contexto de que se trate, auque dicho contexto no este explicito en el modelado del sistema. También, el contexto de definición de un termino lingüístico generalmente es especificado implícitamente dentro de la aplicación en la cual es utilizado.
1.2.1 Diseño de Funciones de Membresía Se puede entender por conjunto clásico: una colección o clase de objetos bien definidos.
Objetos que pueden ser cualquier cosa, tales como: números, ciudades, colores, animales, temperatura, etc. Estos objetos se conocen como elementos o miembros del conjunto.
En la teoría de los conjuntos clásicos, se utiliza la notación de función característica, ( ?A ), para indicar cuando un elemento cualquiera pertenece o no a un conjunto.
El universo de discurso es el universo de toda la información disponible en un problema dado.
Un conjunto difuso es un conjunto que contiene elementos, los cuales varían su grado de pertenencia en el conjunto.
El concepto de función de membresía en la teoría de los conjuntos difusos es una medida de la pertenencia graduada de un elemento en un conjunto difuso.
Función de Membresía Un elemento u de U. Puede no pertenecer a A: (?A(u) = 0), Pertenecer un poco: (?A(u) = con un valor cercano a 0), Pertenecer moderadamente: (?A(u) = con un valor no muy cercano a 0 pero tampoco a 1), Pertenecer demasiado: (?A(u) = con un valor muy cercano a 1), Pertenecer totalmente a: (?A(u)=1).
Debido a que el cambio de la función de membresía de un conjunto a otro es gradual en los conjuntos difusos, dichos conjuntos son agrupamientos de elementos en clases, también llamados etiquetas difusas, las cuales a diferencia de los conjuntos clásicos, no poseen fronteras bien definidas.
¿Cómo se determina la forma exacta de la función de membresía para un conjunto difuso?. Una función de membresía se puede diseñar en tres formas distintas: (1). Entrevistando a quienes están familiarizados con las conceptos importantes del sistema, y ajustándolos durante el proceso mediante una estrategia de sintonización (hasta los 80s). (2). Construyéndola directamente a partir de los datos (2 y 3, después de los 80s). (3). Mediante el aprendizaje basado en la retroalimentación de la ejecución del sistema.
Se han desarrollado muchas técnicas para definir la forma de las funciones de membresía (FM) utilizando técnicas estadísticas, redes neuronales artificiales y algoritmos genéticos.
Se debe de tener especial cuidado al diseñar las FMs. Aun que se puede definir una FM de forma arbitraria, se recomienda que se utilicen FM parametrizables que puedan ser definidas por un número pequeño de parámetros.
FMs más utilizadas: Simplicidad Función de membresía triangular y sus parámetros. l p r µ 1 l l p r p r µ 1 Función de membresía trapezoidal y sus parámetros. Estrategias especificas para seleccionar y ajustar las FMs se verán después.
Nota: Las FMs que son diferenciables tienen ciertas ventajas en las aplicaciones de sistemas neuro-difusos (sistemas que aprenden funciones de membresía utilizando técnicas de aprendizaje de RNA). Las funciones de membresía Gausianas han sido utilizadas para dichos sistemas.
Resumen: diseño de FM Directrices: 1. Siempre utilice FM parametrizables. No defina una función de membresía punto por punto. 2. Utilice una FM triangular o trapezoidal, a menos que haya una buena razón para hacer lo contrario. 3. Si desea que el sistema aprenda la función de membresía utilice técnicas de aprendizaje de RNA, escoja una función de membresía diferenciable, como la Gaussiana.
1.2.2 Operaciones básicas en conjuntos difusos Para conjuntos clásicos se pueden realizar las siguientes definiciones:
para los conjuntos A y B en X, también se tiene:
Algunas definiciones para conjuntos Contenimiento: (? ) Un conjunto puede contener a otro conjunto. Al conjunto más pequeño se le llama Subconjunto. (? Subconjunto propio).
En un universo comprendido por tres elementos X = {a, b, c}, el número cardinal es nx = 3. Y su conjunto potencial es:
Conjunto Difuso Si se considera el siguiente conjunto difuso finito: A = 0.2/u1, 0/ u2, 0.3/u3, 1/ u4, 0.8/u5. u?U.
Entonces un conjunto difuso A de U será un conjunto de parejas: A = {u, ?A(u)},
Considerando que xi es un elemento del soporte del conjunto difuso A y que ?i es su grado de membresía en A. A = ?1 / x1 + ?2 / x2 +….+ ?n / xn.
Donde. El símbolo / Se emplea para unir los elementos del soporte con sus grados de membresía en A, y. El símbolo + Indica que los pares de elementos y grados de membresía listados forman colectivamente la definición del conjunto A, en vez de cualquier tipo de suma algebraica.
Conjunto difuso: universo de discurso finito y no-finito La integral y la sumatoria indican la unión de elementos dentro de un conjunto difuso A.
Conjunto difuso Se entenderá que un conjunto difuso es finito siempre que al poder enumerar a sus elementos representativos este proceso termine, independientemente del valor de sus funciones de membresía.
Operaciones Básicas De Los Conjuntos Clásicos Las tres operaciones básicas en conjuntos clásicos son: unión, intersección, y complemento.
El complemento de un conjunto se puede denotar por: AC , ¬A, .
Por ejemplo: Si A y B son dos conjuntos de “percepciones anuales por persona” definidos por:
Donde U es el universo de discurso [0,1000K]. Se tiene que:
Debido a que la membresía en un conjunto difuso se mide en grados, las operaciones de conjuntos deberían generalizarse a los conjuntos difusos de forma acuerda (ilustrar).
La operación de intersección difusa es matemáticamente equivalente a la operación de conjunción difusa (AND), debido a que tienen propiedades idénticas. Operaciones Básicas De Los Conjuntos Difusos
Para explicar la relación entre operaciones de conjuntos y operaciones lógicas, primero se hará un repaso de operaciones básicas en la lógica clásica: Una declaración en lógica clásica solo tiene dos posibles valores: Falso o Verdadero. Dichas declaraciones lógicas pueden ser combinadas al utilizar conectivas lógicas tales como: AND (conjunción, denotada por ?), OR (disyunción, denotada por v), NOT (negación, denotada por ¬), y IMPLY (implicación, denotada por ? ). De operaciones de conjuntos a operaciones lógicas
Tabla de valores de verdad: Conectivas Lógicas Clásicas p y q son dos declaraciones lógicas (o proposiciones)
Conectivas Lógicas Clásicas
Una declaración conjuntiva compuesta p?q será verdadera si y solo si ambas p y q son verdaderas. Una declaración disyuntiva compuesta p v q será verdadera si y solo si cualquiera de las declaraciones es verdadera. La negación de una declaración es verdadera si y solo si la declaración original es falsa.
Para lógica clásica: Si la proposición p representa la sentencia “x está en el conjunto A”: p es verdadera iff x e A Y si la proposición q representa la sentencia “x está en el conjunto B”: q es verdadera iff x e B Entonces, p y q son verdaderas cuando x está en la descripción de A y B: (p?q) es verdadera iff x e A?B Y que p ó q es verdadera cuando x está en la unión de A y B: (p v q) es verdadera iff x e A?B Finalmente, p es falsa cuando x está en el complemento de A: ?p es verdadera iff x e Ac.
Conclusión
Por lo tanto, los operadores de intersección unión y complemento en la teoría de conjuntos son similares a la conjunción, disyunción y negación en lógica.
Operaciones Lógicas Difusas Un operador común de conjunción (AND) difusa es el operador mínimo. Con frecuencia la intersección difusa se define como: ?A?B (x)= min{?A(x), ?B(x)}
Intersección: En conjuntos difusos es el grado de membresía que dos conjuntos comparten. Una intersección difusa es el menor de la membresía de cada elemento en ambos conjuntos.
Por ejemplo: Se puede definir un conjunto difuso A de los números reales muy cercanos a 8 y B como el conjunto difuso de los números reales muy cercanos a 15. Entonces, A ? B se definiría como el conjunto difuso de los números reales muy cercanos a 8 “y” a 15. Tomando en cuenta la ecuación:
y A = (1 0.8 0.4 0.5) y B = (0.9 0.4 0.0 0.7) se tiene que: ?A?B(x) = (0.9 0.4 0.0 0.5).
Representación de la Intersección de difusa ó conjunción difusa. (Gp:) ?
1 (Gp:) Temperatura (Gp:) A B (Gp:) ?Baja?Media
Operaciones Lógicas Difusas Un operador común de disyunción difusa es el operador máximo. Por lo tanto, con frecuencia la unión difusa se define como: ?A?B (x)= max{?A(x), ?B(x)}
La unión (o disyunción) difusa, se lee “o” difusa, y representa al conjunto difuso más pequeño que contiene a A y que contiene a B. El operador max (?), toma como valor verdadero el valor máximo de la función de membresía del elemento x en A y B.
Ejemplo: Se puede definir al conjunto difuso A de los números reales muy cercanos a 8 y B como el conjunto difuso de los números reales muy cercanos a 15. Tomando en cuenta la ecuación.
y que A = (1 0.8 0.4 0.5) y B = (0.9 0.4 0.0 0.7) se tiene que: ?A?B(x) = (1 0.8 0.4 0.7).
Representación de la Unión difusa ó disyunción difusa. (Gp:) Temperatura (Gp:) ?Baja?Media (Gp:) A B (Gp:) ?
1
Operaciones Lógicas Difusas El complemento de un conjunto difuso A se define por la diferencia entre uno y el grado de membresía en A: ?Ac (x)= 1- ?A (x) Complemento (negación difusa): El complemento de un conjunto difuso es la cantidad que la membresía necesita para alcanzar 1. Sea U un conjunto cualquiera y M = [0,1], su conjunto asociado de membresía. Si se considera a un conjunto difuso A?U, entonces el complemento de A será:
evidentemente, se cumple que: ¬ (¬A) = A
Representación del complemento de un conjunto difuso ó negación difusa ?Medio ?¬Medio ?
1 Temperatura
1.3 Variable Lingüística Como un conjunto convencional, un conjunto difuso se puede utilizar para describir el valor de una variable. Por ejemplo, la oración “El porcentaje de humedad es Bajo” utiliza el conjunto difuso “Bajo” para describir la cantidad de humedad en un día. Más formalmente, se expresa como: Humedad es Bajo La variable humedad en este ejemplo demuestra un concepto importante en la lógica difusa: La variable lingüística.
… Una variable lingüística se puede interpretar tanto cualitativamente mediante un termino lingüístico (etiqueta: nombre del conjunto difuso), como cuantitativamente mediante su correspondiente función de membresía (la cual expresa el significado del conjunto difuso).
El termino lingüístico es utilizado para expresar conceptos y conocimiento, mientras la función de membresía se utiliza para procesar el dato numérico de entrada.
… Una variable lingüística es como una composición de una variable simbólica (una variable cuyo valor es un número). Un ejemplo de una variable simbólica es: Forma = Cilíndrica Donde Forma es una variable que indica la forma de un objeto. Un ejemplo de variable numérica es: Altura = 4’
… Con frecuencia, las variables numéricas son utilizadas en ingeniería, ciencias, matemáticas, medicina, y en muchas otras disciplinas.
Por otro lado, las variables simbólicas juegan un papel importante en la inteligencia artificial y las ciencias que tienen que ver con toma de decisiones.
… Utilizando la notación de la variable lingüística se pueden combinar estos dos tipos de variables dentro de una red uniforme, lo cual es de hecho una de las razones principales de que la lógica difusa haya tenido éxito en ofrecer una aproximación inteligente en la ingeniería y muchas otras áreas que tienen que ver con problemas que manejan un dominio continua.
Modificadores Lingüísticos: Hedges Existen muchos descriptores lingüísticos como son: moderado, normal, alto, algo caliente, muy bajo, medio normal, mas o menos alto, etc.
Uno de los conceptos importantes en la Lógica Difusa es que en vez de enumerar todos estos diferentes descriptores, se pueden generar de un conjunto esencial de términos lingüísticos (llamado: Conjunto Término) utilizando modificadores (por ejemplo: muy, mas o menos) y conectivas (por ejemplo: “y”, “o”). En Lógica Difusa a dichos modificadores se les denomina: Hedges
Ejemplo: Variables Lingüísticas Y Valores Lingüísticos. Si edad es interpretada como una variable lingüística, entonces su conjunto término T(edad) puede ser:
Donde cada término en T(edad) se caracteriza por un conjunto difuso de un universo de discurso X = [0, 100], como se muestra en la siguiente figura.
Del ejemplo anterior, se observa que el conjunto termino consiste de varios términos primarios (joven, viejo) modificados por la negación ("no") y/o los adverbios (muy, mas o menos, completamente, extremadamente, etc.), y entonces ligados por conectivas tales como y, o, y ni.
Universo De Discurso SubEstablecimiento Del Universo De Discurso Para Las Variables Lingüísticas
Se especifica el universo de discurso para una variable de entrada y/o salida, cómo el rango de valores posibles que puede tomar la variable en cuestión para la aplicación actual.
Dado que el universo de discurso para cada variable debe ser trasladado a variables lingüísticas (conjuntos difusos), se ha tratado de normalizar que el número de conjuntos difusos definido para cada variable sea un número impar, recomendando que se inicie especificando 7 conjuntos para cada variable.
La determinación final del número de conjuntos difusos definidos para cada variable se determina heurísticamente, pues aún cuando se conocen los efectos de tener pocos o muchos conjuntos definidos en el universo, finalmente se establecen los conjuntos definitivos observando un funcionamiento satisfactorio del sistema.
Se recomienda especificar una cantidad de conjuntos difusos más densa en aquellas zonas donde se requieran cambios grandes en los parámetros de salida del sistema a cambios pequeños de sus parámetros de entrada.
Una de las cualidades que caracterizan a los sistemas difusos es el manejo de información ambigua, esta característica la adquieren debido a la forma en que se especifican los conjuntos difusos cubriendo el universo de discurso de las variables de entrada y/o salida, por lo que la ambigüedad que puede ser admitida por el sistema depende del grado de traslape entre los conjuntos definidos.
Respecto del grado de traslape que deben tener dos conjuntos contiguos, se recomienda en 25% del área total al inicio del desarrollo (conjuntos simétricos), aún cuando se sabe que el funcionamiento del sistema no es muy bueno con estos conjuntos, también se recuerda que esto no es una generalización, pues su adecuación depende del grado de precisión deseado en la respuesta del sistema.
Consideraciones para la especificación de los C D´s: 1) Cada punto en el universo de discurso debe pertenecer al dominio de al menos una función de membresía; al mismo tiempo, debe pertenecer al dominio de no más de dos funciones de membresía. 2) Ningún par de funciones de membresía deben tener el mismo punto de máxima membresía.
Consideraciones para la especificación de los C D´s: 3) Cuando dos funciones de membresía se traslapan, la suma de los grados de membresía para cualquier punto en el traslape debe ser menor o igual a uno. 4) Cuando dos funciones de membresía se traslapan, el traslape no debe cruzar el punto de máxima membresía de cualquier función de membresía.
Durante la especificación de los conjuntos difusos que cubren los extremos inferior (función Z) y superior (función S) del universo de discurso considerado, es de gran importancia que se hagan de una manera adecuada, ya que estas funciones son muy importantes para la estabilidad del funcionamiento del sistema, pues evalúan las situaciones extremas consideradas para el establecimiento del universo de discurso.
1.4 Distribución de Posibilidad La asignación de un conjunto difuso a una variables difusa restringe el valor de la variable, tal como lo hace un conjunto clásico (crisp).
Sin embargo, la diferencia entre los dos es que la idea de valores posible vs. valores imposible se convierte en un asunto de grado.
Por ejemplo: Se realizó un acto terrorista y la policía reporta que el sospechoso de poner la bomba tiene una edad entre 20 y 30 años. Lo cual puede expresarse al asignar el intervalo [20, 30] a una variable, que representa la edad del sospechoso: Edad (sospechoso)=[20, 30] De forma especifica el intervalo limita la edad a: 20, 21, …,30, y es imposible que el sospechoso tenga una edad fuera de dicho rango. Lo anterior introduce una frontera clasica entre los valores posibles y los imposibles.
… Para situaciones en que una frontera bien definida no se desea, la lógica difusa ofrece una alternativa más adecuada –generalizar la distinción binaria entre lo posible vs. lo imposible a un asunto de grado llamado la posibilidad. Por ejemplo, si se asigna el conjunto difuso JOVEN, el cual tiene la siguiente función de membresía:
… (Gp:) 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 EDAD (Gp:) p 1 (Gp:) JOVEN
Una distribución de posibilidad del conjunto difuso Joven
Para la edad del sospechoso, se obtiene una distribución a cerca de los grados de posibilidad de la edad del sospechoso (la posibilidad de que el sospechoso tenga 19 años es de 0.7, mientras que la posibilidad de que tenga 21 hasta 28 es de 1). ?Edad(sospechoso)(x) = µJOVEN(x)
…
… Donde ? denota una distribución de posibilidad de la edad del sospechoso. Y x es una variable que representa una edad del sospechoso.
Cuando se asigne un conjunto difuso A a una variable X, la asignación resultará en una distribución de posibilidad de X, la cual se define por la función de membresía A. ?X (x) = µA (x)
1.5 Reglas Difusa La inferencia difusa basada en reglas se puede entender de varias formas (conceptualmente, matemáticamente, formalmente, etc.). Por ejemplo: Desde un punto de vista lógico, la inferencia difusa basada en regla es una generalización de un esquema de razonamiento lógico llamado modus ponens.
Modus ponens: lógica clásica En lógica clásica, si una regla es verdadera y el antecedente de la regla es verdadera, entonces puede inferirse que el consecuente de la regla es verdadero. Lo anterior es referido como modus ponens. Por ejemplo, si la regla R1 es verdadera: R1: IF el ingreso anual de una persona es más grande que 120K THEN la persona es rica. Y también, la siguiente declaración es verdadera: El ingreso anual de Pedro es de 121K
Basados en el modus ponens , la lógica clásica puede deducir que la siguiente declaración también es verdadera: Pedro es rico. Una limitación del modus ponens es que no puede manejar situaciones parciales, como por ejemplo, la regla R1 y un caso diferente: El ingreso anual de Juan es de $199,999.
Generalmente, se diría que Juan es un poco rico, Sin embargo, el modus ponens no puede inferir si Juan es rico o no utilizando la regla R1, porque el ingreso anual de Juan no satisface el antecedente de R1, aunque solamente le falta un peso. El problema tiene dos causas: (1) El antecedente de R1 no representa una transición suave hacia la categoría “rico” lo cual con frecuencia se observa en el razonamiento humano.
(2) El modus ponens no puede manejar una situación donde el antecedente de una regla sea parcialmente satisfecho. Al tomar en cuenta tales limitantes, la “inferencia difusa basada en regla” generaliza el modus ponens, permitiendo que sus conclusiones inferidas sean modificadas por el grado para el cual el antecedente se satisfaga. Lo anterior es la esencia de la “inferencia difusa basada en reglas”.
Estructura de las reglas difusas
IF < antecedentes> THEN < consecuente>
El antecedente describe una condición, y el consecuente describe una conclusión que puede ser dibujada cuando las conclusión se obtienen.
Varios Antecedentes: (condición: rígida, elástica) IF PosY is PAba and DesY is DCArr and PosZ is HAdel THEN NDesY is SDesY;
El consecuente de las Reglas Difusa se pueden clasificar en tres categorías: 1. Consecuente Crisp: IF …THEN y=a donde a es un valor numérico no-difuso o valor simbólico.
Pueden ser procesadas más eficientemente. 2. Consecuente Difuso: IF…THEN y es A Donde A es un conjunto difuso. Es más fácil de entender y mas adecuado para capturar la experiencia humana imprecisa. 3. Consecuente Funcional: IF x1 es A1 AND x2 es A2 AND x3 es A3 AND …
…xn es An THEN y = ao +
Donde ao , a1 , a2 , … , an son constantes. Puede ser utilizado para aproximar modelos no lineales complejos utilizando un número pequeño de reglas.
Reglas para los problemas planteados Problema A: R3: IF la temperatura objetivo T es baja, THEN Coloque el voltaje a _V (prenda el flujo frío). R4: IF la temperatura objetivo T es alta, THEN coloque el —V (prenda el flujo caliente).
Problema B: Lavadora automática. R5: IF Cantidad de ropa es mucha AND que tan sucia esta la ropa es rudo THEN el ciclo de lavado es fuerte. R6: IF Cantidad de ropa es medio AND que tan sucia esta la ropa es normal-rudo THEN el ciclo de lavado es normal Reglas para los problemas planteados
Variables y sus Funciones de membresía Mugrosidad de la ropa ? 1 Rudo Nrudo Nsuave Suave Cantidad de ropa ? 1 Poco Medio Mucho Ciclo de lavado ? 1 Delicado ligero Normal fuerte
Tabla de Reglas Difusas para el ciclo de lavado
Inferencia difusa basada en reglas El algoritmo consiste de tres pasos básicos y uno opcional: 1.- Fuzzy Matching: Calcula el grado para el cual el dato de entrada se iguala (relaciona) a la condición de la regla difusa. 2.- Inferencia: calcula la conclusión de la regla a partir de sus grados de relación (matching). 3.- Combinación: Combina las conclusiones inferidas por todas las reglas difusas en una conclusión final. 4.- Defusificación (Opcional): para aplicaciones que necesitan una salida crisp.
Fuzzy Matching para la conjunción Mucha Rudo Normal Normal Rudo 0.5 0.2 0.8 0.5 Cantidad de Ropa Cantidad de Ropa Mugrosidad Mugrosidad min min Grado de relación ?
1 ?
1 ?
1 ?
1 IF la Cantidad de ropa es Mucha AND la Mugrosidad de la ropa es Rudo THEN….
Inferencia: dos métodos 1.- Método de recorte (min): Este método trunca la altura de la función de membresía cuyos valores sean más grandes que el grado de relación. (min-max)
2.- El método de escalamiento (prod): Este método diminuye la función de membresía en proporción al grado de relación. (prod-sum)
Inferencia difusa Consecuente Difuso Conclusión Inferida ?
1 ?
1 Consecuente Difuso Conclusión Inferida ?
1 ?
1 Método de Recorte Método de Escalamiento Conclusión difusa “Y es A”
Combinación de Conclusiones Difusas Al combinar las conclusiones difusas a través de superponer los conjuntos se aplica un operador difuso de disyunción, max, para múltiples distribuciones de posibilidad de la variable de salida.
Defusificación
Observando los cuatro pasos juntos del algoritmo Mucha Rudo Normal Normal Rudo Cantidad de Ropa Cantidad de Ropa Mugrosidad Mugrosidad min min ?
1 ?
1 ?
1 ?
1 Fuerte Normal ?
1 ?
1 Ciclo ?
1 Salida defusificada
Resumen y Conclusiones Finales Un conjunto difuso es un conjunto con fronteras suaves tal que la membresía en el conjunto llega a ser una materia de grado. Un conjunto difuso tiene una representación dual: una descripción cualitativa y utilizando un termino lingüístico, y una descripción cuantitativa a través de una función de membresía, la cual relaciona los elementos en un universo de discurso para sus grados de membresía en el conjunto.
Una variable lingüística es una variable cuyo valores son una expresión que involucra conjuntos difusos. Cuando un conjunto difuso es asignado a una variable cuyo valor difuso no es conocido, el conjunto difuso sirve como una constante de grado para facilitar que la variable tome un cierto valor. Dicho grado de facilidad es conocido como el grado de posibilidad.
Una distribución de posibilidad de una variable es una función que relaciona elementos del universo de discurso de la variable a sus grados de posibilidad. Una regla difusa if-then es un esquema para representar conocimiento y asociación que es inexacto e imprecisos por naturaleza. La parte if de una regla difusa se conoce como antecedente, y la parte then de la regla se conoce como consecuente.
El razonamiento utilizando reglas difusas if-then tiene tres característica principales. Primera, se puede realizar la inferencia con información parcial en las entradas de las reglas. Segunda, típicamente se puede inferir la distribución de posibilidad de una variable de salida de la distribución de posibilidad de una variable de entrada. Tercera, El sistema combina las conclusiones inferidas de todas las reglas para formar una conclusión global.
La mayoría de las aplicaciones de la lógica difusa utiliza reglas difusas if-then. Muchos sistemas difusos basados en reglas necesitan producir una salida precisa utilizan un proceso de defusificación para convertir la distribución de posibilidad inferida de una variable de salida a un valor preciso de representación.
| Página siguiente |