1

Computacion Inteligente

Sistemas de Inferencia
fuzzy
 2

Sistemas de Inferencia fuzzy

Sistemas Takagi-Sugeno
 3

Contenido
El modelo Takagi-Sugeno
Un caso especial: El modelo Singleton
Un caso especial: Salida lineal
Sistemas fuzzy Takagi-Sugeno dinamicos
 4

El modelo Takagi-Sugeno
 5

Modelos fuzzy Tipo Sugeno

Combina conjuntos fuzzy en el antecedente
con una funcion crisp en la salida
Reglas de la forma:
i
IF x1 is A AND
1 AND xn is A THEN y f
i
n
i i
x,
i

La salida x es crisp
donde

es un vector de parametros.
Las funciones tienen la misma estructura
 6

Consecuente en sistemas fuzzy TS

En general

y i x, i f i x, i 0i 1i g1 x ni g n x

El consecuente es affine respecto los

parametros (lineal en los parametros)
 7

Consecuente en sistemas fuzzy TS

Sistema fuzzy propuesto por Takagi-Sugeno (1985)

y i x, i 1i x1 ni xn 0i

El consecuente es affine respecto los

parametros (lineal en los parametros)
 8

Sistemas fuzzy Takagi-Sugeno (1985)

y x,
i i
i
T
x i
0

Cada regla puede ser considerada como un

modelo affine local.

Los modelos locales son combinados en el

proceso de agregacion para obtener la salida
 9

Inferencia en sistemas fuzzy TS

Para la interseccion y la implicacion se utiliza
el operador producto.

La salida es
 10

Inferencia en sistemas fuzzy TS

y x, i x y i x, i
K

i 1

i x Grado de cumplimiento
i x K normalizado
x
i 1
i

indica el peso relativo con que

contribuye la regla i en la salida.
 11

Inferencia en sistemas fuzzy TS

Definidos todos los parametros

El algoritmo fuzzy debe implementar la

siguiente funcion crisp
 12

Un caso especial:

El modelo Singleton
 13

El modelo singleton: caso especial

La funcion de salida es un valor constante

bi son numeros
reales

cada regla tiene su

propio bi
 14

El modelo singleton
Definidos todos los parametros
El algoritmo fuzzy debe implementar la
siguiente funcion crisp

Se puede interpretar como un modelo Mamdani

 15

Modelo singleton como Mamdani

Donde los conjuntos fuzzy del consecuente
son singleton
bi son numeros
reales

cada regla tiene su

propio bi

Con el modelo Mamdani se obtiene el mismo resultado

 16

Modelo singleton como Mamdani

Los conjuntos fuzzy del consecuente son
singleton
bi son numeros
reales

cada regla tiene su

propio bi
Defuzificacion
COG
 17

Expansiones en funciones base

El modelo singleton es un caso especial de las
expansiones en funciones base
 18

El modelo singleton: interpolacion

Interpolacion multilinear ocurre si:

Funciones de pertenencia de entrada:

trapezoidales o triangulares

Formando una particion fuzzy

El conectivo AND es representado por el operador

producto
 19

Un ejemplo de interpolacion
Mapeo de entrada-salida lineal a trozos resultante
 20

El modelo singleton
Definidos todos los parametros, con funciones
de pertenencia Gaussianas en el antecedente
El algoritmo fuzzy debe implementar la
siguiente funcion crisp
 21

Un caso especial:

Salida lineal
 22

modelos Sugeno : salida lineal

Reglas de la forma

IF x is A THEN y ai x bi
i i

La salida es
K
y x i x ai x bi
i 1
 23

modelos Sugeno : salida lineal

IF x is Ai THEN y i ai x bi

Lineal en los parametros, cuasi-lineal en x

La salida es
K
y x i x ai x bi
i 1
 24

modelos Sugeno : salida lineal

y x i x a x bi
K
T
i
i 1

Agrupando terminos
 25

modelos Sugeno : salida lineal

La salida es

Los sistemas TS son cuasi-lineales en x

 26

Los sistemas TS son cuasi-lineales en x

a(x), b(x) son combinaciones lineales convexas

de los parametros de los consecuentes ai y bi
 27

Sistema TS como un mapeo x :

 28

Sistema TS como un mapeo x :

Un modelo TS es un mapeo de un sistema
cuasilinial

desde el espacio de entrada del antecedente

a una region convexa (polytope) en el espacio de

los parametros
 29

Ejemplo 1: Una sola entrada

 30

modelos Sugeno: ejemplo 1

IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1

Si small, medium y large son conjuntos

crisp entonces la curva total de entrada-salida
es lineal a trozos

sug1.m
 31

modelos Sugeno: ejemplo 1

IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
 32

modelos Sugeno: ejemplo 1

IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1

Sin embargo, si tenemos funciones de

pertenencia suaves (reglas fuzzy) la curva total
de entrada-salida es suave
 33

modelos Sugeno: ejemplo 1

IF x is small THEN Y=4
IF X is medium THEN Y=-0.5X+4
IF X is large THEN Y=X-1
 34

Ejemplo 2: Dos entradas

 35

modelos Sugeno: ejemplo 2

Dos entradas una salida con 4 reglas

IF X is small AND Y is small THEN z=-x+y+1

IF X is small AND Y is large THEN z=-y+3
IF X is large AND Y is small THEN z=-x+3
IF X is large AND Y is large THEN z=x+y+2

sug2.m
 36

modelos Sugeno: ejemplo 2

MFs de los antecedentes
 37

modelos Sugeno: ejemplo 2

Superficie total de entrada-salida
 38

Ejercicio 1

Construya un modelo Sugeno para el

ejemplo 1 usando el GUI del Toolbox
Fuzzy de Matlab
 39

Ejercicio 2

Construya un modelo Sugeno para el

ejemplo 2 usando el GUI del Toolbox
Fuzzy de Matlab
 40

Sistemas fuzzy Takagi-Sugeno

dinamicos
 41

Sistemas fuzzy TS dinamicos

Modelado de sistemas dinamicos no lineales

x Ai x Bi u
IF x is A THEN
i

y i
Ci x

Cada regla representa una aproximacion lineal

del sistema no lineal en un punto de operacin
determinado
 42

Sistemas fuzzy TS dinamicos

Un sistema TS dinamico es un scheduling fuzzy

K K
x i x Ai x i x Bi u
i 1 i 1

K K
y i x Ci x i x Di u
i 1 i 1
 43

Fuentes
J.-S. Roger Jang, Slides for Fuzzy Sets, Ch. 2 of Neuro-
Fuzzy and Soft Computing. CS Dept., Tsing Hua Univ.,
Taiwan.

J.-S. Roger Jang and C-T Sung, Neuro-Fuzzy Modeling

and Control. Proceedings of the IEEE, March 1995.

Robert Babuska. Fuzzy and neural control. DISC Course

Lecture Notes (October 2001)

Robert Babuska. Course Fuzzy and Neural Control,

2001/2002.
 44

Fuentes
R. Babuska, H.B. Verbruggen, H. Hellendoorn,
Promising Fuzzy Modeling and Control Methodologies
for Industrial Applications, 1999

Ren Jager, Fuzzy Logic in Control. PHD thesis, 1995.

Javier Echauz, Sistemas y Controles Inteligentes,

Universidad de Puerto Rico, 2000

L.X. Wang, Adaptive Fuzzy Systems and Control:

Design and Stability Analysis, Prentice-Hall, 1.994
 45

Fuentes
Kwang-Hyung Lee, Textbook CS670 Fuzzy Theory,
http://if.kaist.ac.kr/lecture/cs670/textbook/, septiembre
2001

J. Galindo Gmez, Conjuntos y Sistemas Difusos

(Lgica Difusa y Aplicaciones). Departamento de
Lenguajes y Ciencias de la Computacin, Universidad
de Mlaga, 2002?

Vojislav Kecman, Fuzzy logic basics. Slides

accompanying the MIT Press book: Learning and Soft
Computing. 2001
 46

Fuentes
Djamel Bouchaffra, Soft Computing (Lecture Notes).
Oakland University. Fall 2005

K. Ahmad, B. Vrusias, M. Casey, Artificial Intelligence

(Lecture Notes). Center for Knowledge Management.
Department of Computing. University of Surrey.
September 2004