UNIVERSIDAD CATOLICA DE SANTA MARIA

FACULTAD DE CIENCIAS E INGENIERIAS FISICAS Y FORMALES

ESCUELA PROFESIONAL DE INGENIERIA ELECTRONICA

INTELIGENCIA ARTIFICIAL

PRACTICA 10
RAZONAMIENTOS – SISTEMAS DIFUSOS

ALUMNO:
 RENZO ABRAHAM RIVERO CALDERON

DOCENTE:
Ing. JUAN CARLOS COPA PINEDA

Grupo: 01, Lunes 15:00 a 17:00 hrs.

Arequipa – Perú

2018
1. INTRODUCCION
Lógica difusa o lógica heurística se basa en lo relativo de lo observado como
posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí. Así, por ejemplo, una persona que mida 2
metros es claramente una persona alta, si previamente se ha tomado el valor de
persona baja y se ha establecido en 1 metro. Ambos valores están contextualizados
a personas y referidos a una medida métrica lineal
La Lógica Difusa proporciona un mecanismo de inferencia que permite simular
los procedimientos de razonamiento humano en sistemas basados en el
conocimiento. La teoría de la lógica difusa proporciona un marco matemático que
permite modelar la incertidumbre de los procesos cognitivos humanos de forma
que pueda ser tratable por un computador.

2. OBJETIVOS
 Conocer y aplicar los diferentes métodos difusos
 Mediante la lógica difusa poder dar solución a los problemas propuestos
 Demostrar que tan optima es la lógica difusa para los problemas prácticos

3. MATERIALES O SOFTWARE
 Word
 Matlab
4. MARCO TEORICO

Cuando los computadores se enfrentan a la situación de “tomar decisiones”,

generalmente hacen preguntas que tienen respuestas del tipo “sí o no”. Por
ejemplo: 1. “¿La temperatura excede los 50°C?”, 2. “¿Es Juanito de menor
estatura que Lucía?”. Los seres humanos, en cambio, no razonan en forma tan
precisa. La mayor parte del razonamiento humano tiene que ver con categorías
que se “matizan”, como por ejemplo: 1. “Es peligroso manejar en un camino
resbaladizo”, 2. “Un circuito complejo debe ser diseñado para alta seguridad (es
decir, bajísimo índice de fallas)”. Las personas son capaces de tomar decisiones
basadas en información imprecisa, no numérica. Los conjuntos difusos proveen
una herramienta para representar esta información, y poder así también construir
un sistema de ayuda para la toma de decisiones. Los conjuntos difusos son un
concepto que puede acercar el razonamiento computacional al que usan las
personas. M. M. Gupta [1] propone que las incertezas se pueden clasificar de
diferentes formas; por ejemplo se pueden formar dos amplias categorías, que
podemos identificar como I1 e I2. Las incertezas de tipo I1 serían las que surgen
del comportamiento aleatorio de los sistemas físicos. Existen múltiples ejemplos
de este tipo de incerteza, por ejemplo, las vibraciones aleatorias de una máquina,
las fluctuaciones de un electrón en un campo magnético, la difusión de los gases
en un campo térmico, actividades aleatorias de los patrones del clima, etc. Este
tipo de incerteza ha sido bastamente estudiado, y existe una extensa teoría
estadística para caracterizar este tipo de fenómeno aleatorio. Aquí se utilizan
cálculos como la media y la varianza. La incerteza de tipo I2, a diferencia de la
I1, es aquella que surge de procesos humanos, como ser la sensación, la
percepción, la experiencia cognoscitiva, el razonamiento y el pensamiento. La
percepción que logramos de nuestro entorno físico a través de nuestros sensores
naturales (ojos, oídos, nariz, etc.) contiene incertezas que no pueden ser
caracterizadas usando estadística. Este tipo de incerteza no ha sido
tradicionalmente estudiada en forma sistemática. La ignorancia en esta materia, y
su potencial en aplicaciones tecnológicas en sistemas artificiales, hace que sea un
tópico con mérito de ser investigado, y es aquí donde tiene cabida la teoría de
conjuntos difusos. La teoría de conjuntos difusos fue enunciada por primera vez
por Lotfi Zadeh en 1965 [2]. Señaló que en muchos casos las clases de objetos
 que se encuentran en el mundo físico real no tienen criterios de membresía
precisamente definidos. Postuló entonces los Conjuntos Difusos, como clases de
objetos con grados de pertenencia continuos. Mientras que en un conjunto
tradicional, por ejemplo “el conjunto de todos los números mayores o iguales que
5”, los límites son abruptos, mientras que la transición entre ser y no ser miembro
es gradual en un conjunto difuso. Lo anterior se muestra en la Figura 1.1. Si el
grado de membresía se define en forma binaria en un conjunto tradicional (si no
es miembro = “0”, si es miembro = “1”), en un conjunto difuso se especifica por
un número real entre 1 (miembro total) a 0 (no-miembro total).

Figura 1. Función de membresía de un conjunto tradicional A. que represetena los

números naturales mayores o iguales a 5

Exploraremos los conjuntos difusos, y sus campos de aplicación más extendidos:

los sistemas de control difusos y los sistemas expertos basados en conjuntos
difusos. En aplicaciones de control industrial existe más de un enfoque para
aplicar conjuntos difusos, que podríamos separar en dos grupos: a) Aquellas que
nacen del postulado que operadores humanos son capaces de efectuar en muchos
casos un control más efectivo que los controladores automáticos "tradicionales"
porque son capaces de tomar decisiones correctas basándose en información
lingüística imprecisa (tipo Mamdani). b) Aquellas que derivan del control o
modelación con múltiples modelos, en que la combinación de estos se hace en
forma difusa (tipo TakagiSugeno). En este curso nos centraremos en las
aplicaciones del primer grupo. Un sistema experto reúne tradicionalmente los
conocimientos de expertos humanos en un área específica; este conocimiento está
representado en forma más precisa, y por lo tanto el sistema es más poderoso, si
permite incluir grados de certeza en las relaciones y afirmaciones que contiene,
que en general son inherentes a ese conocimiento. De acuerdo a J. M. Mendel [3],
los sistemas que utilizan lógica difusa son únicos en el sentido que son capaces de
manejar simultáneamente datos numéricos y conocimiento lingüístico en una
forma matemática unificada. Los desarrollos actuales de sistemas basados en
conjuntos difusos incorporan elementos adicionales, como son: la capacidad de
aprender de los datos recopilados, combinaciones de elementos de lógica difusa y
redes neuronales, etc
Conjuntos Difusos Un conjunto es una colección de objetos. Puede ser definido
enumerando a sus miembros, o describiendo las características distintivas que
cumplen todos sus elementos. En un conjunto "tradicional", un elemento
pertenece a un conjunto dado o bien no pertenece. En cambio, un conjunto difuso
permite valores intermedios de pertenencia. Los conjuntos difusos permiten
formalizar expresiones lingüísticas que típicamente contienen algún grado de
ambigüedad, es decir, proveen un método para expresar matemáticamente
conceptos tales como "alto", "frío", "rápido", etc., que son bastamente usados,
pero que por esencia no son precisos. Incluso conceptos netamente ingenieriles
que tienen una definición numérica precisa son usados muchas veces como
criterios que se acercan más a un número difuso. Por ejemplo, la correlación de
dos señales, o dos funciones, puede ser normalizada para que su rango esté entre
0 y 1. Así, al explicar el valor de correlación a otra persona, es usual utilizar
expresiones como "estos datos tienen una baja correlación", por ejemplo 0,1, o
una "alta" correlación, por ejemplo 0,88. Otro ejemplo es la amortiguación de un
sistema mecánico. Se habla de sistemas más o menos amortiguados, dándole un
sentido a la noción de "la razón de amortiguación efectiva del sistema es de 0,25"
como "el sistema es levemente amortiguado”. En conjuntos difusos, la
ambigüedad existente en expresiones lingüísticas se expresa en el concepto de
grado de membresía. En un conjunto difuso se generaliza el concepto de
membresía, permitiendo grados de pertenencia. La función de pertenencia (a) µA
de un conjunto difuso A es una función con recorrido en el segmento [0, 1] de los
números reales:
Un ejemplo de un conjunto difuso es el siguiente: sea U el conjunto de todos los
valores de edad humana posibles (por ejemplo entre 0 y 120 años), y A el conjunto
de los que llamamos años de la “juventud”, como un concepto intermedio entre
los conceptos de “infancia” y “adultez joven”. Así podríamos afirmar que la edad
de 21 años representa a los años de la “juventud”, 13 años es más cercano al
concepto de “infancia”, y 30 años es más bien “adultez joven”. Así, una
posibilidad de traducir y representar el conjunto A se muestra en la Figura 1.2; su
función de membresía toma valores entre 0 y 1 de acuerdo al elemento de A que
se evalúe.

Figura 2. Función de membresía de un conjunto difuso A que representa “los

años de la juventud”

Es importante mencionar que, generalmente al graficar la relación que existe entre

las variables reales y sus valores de membresía, estos últimos se utilicen en la
abscisa y los primeros en la ordenada. Se suele utilizar valores de membresía en
el intervalo [0,1] para tener un rango normalizado, pero no es una obligación. Los
conjuntos difusos permiten manejar la imprecisión, lo que facilita, por ejemplo: •
la posibilidad de reconocer semejanzas entre objetos no estrictamente iguales, • la
traducción de pensamiento humano a operaciones de computadores digitales, en
otras palabras, transferir al computador el “sentido común”. Con conjuntos difusos
se pueden traducir valores lingüísticos a un programa computacional. Estas
traducciones son particularmente importantes tanto en controladores de procesos
como en sistemas expertos, en que es necesario programar instrucciones que son
básicamente reglas prácticas (inglés: “rules of thumb”). Mediante lógica difusa es
posible interpretar en forma matemática temas tan complejos como, por ejemplo,
“si el aumento del desempleo es grande, y el aumento de las quiebras es grande,
aunque el producto geográfico bruto haya caído levemente, es claramente
demostrable que hay recesión.” Básicamente, el grado de membresía es subjetivo.
Es un asunto de definición más que de medición. Los humanos poseen una gran
habilidad para asignar grados de membresía a objetos determinados, sin un
entendimiento consciente de cómo llegamos a ese valor. Por ejemplo, un alumno
en un curso no tendrá mayor dificultad para asignarle al profesor un grado de
membresía en el conjunto difuso de los buenos profesores. Los últimos desarrollos
en conjuntos difusos han hecho diversos intentos para fijar el grado de membresía
basándose en criterios más racionales, por ejemplo, interpretándolo como una
medida de consenso. Sin embargo, esta definición no evita la subjetividad, ya que
se trata de un consenso entre observadores, no una cualidad inherente al objeto.
Otra característica, que aporta a su subjetividad, es que dependerá del contexto.
5. DESARROLLO
1) Desarrollar las ecuaciones de las siguientes variables lingüísticas, detallar
los pasos y graficar.

P1 P2 P3 P4 P5 P6 P7 P8

P2 P1 P4 P3 P6 P5 P8 P7

20 30 50 60 80 90 110 120

P1 (20,1) (30,0)
P2 (30,1) (20,0)
P3 (50,1) (60,0)
P4 (60,1) (50,0)
P5 (80,1) (90,0)
P6 (90,1) (80,0)
P7 (110,1) (120,0)
P8 (120,1) (110,0)

M1 1
−
10
M2 1
10
M3 1
−
10
M4 1
10
M5 1
−
10
M6 1
10
M7 1
−
10
M8 1
10

0, 𝑥 <= 0

1, 0 ≤ 𝑥 ≤ 20
𝑥
TRAPECIO1 𝑦1 = − 10 + 3, 20 ≤ 𝑥 ≤ 30

0, 30 ≤ 𝑥
 0, 𝑥 ≤ 50

𝑥
𝑦2 = 10 − 2, 20≤ 𝑥 ≤ 30

1, 30 ≤ 𝑥 ≤ 50
𝑥
TRAPECIO 2 𝑦3 = − 10 + 6, 50≤ 𝑥 ≤ 60

0, 60 ≤ 𝑥

0, 𝑥 <= 50

𝑥
𝑦4 = 10 − 5, 50≤ 𝑥 ≤ 60

1, 60 ≤ 𝑥 ≤ 80

𝑥
TRAPECIO 3 𝑦5 = − 10 + 9, 80≤ 𝑥 ≤ 90

0, 90 ≤ 𝑥

0, 𝑥 <= 80
𝑥
𝑦6 = 10 − 8, 80 ≤ 𝑥 ≤ 90

1, 90 ≤ 𝑥 ≤ 110
𝑥
TRAPECIO 4 𝑦7 = − 10 + 12, 110≤ 𝑥 ≤ 120

0, 120 ≤ 𝑥

0, 𝑥 ≤ 110

𝑥
TRAPECIO 5 𝑦8 = − 11, 110 ≤ 𝑥 ≤ 120
10

1, 120 ≤ 𝑥
 1.1 figura

20 52 100

𝑃1 = (20,1) 𝑃2 = (52,1) 𝑃3 = (52,1) 𝑃4 = (100,1)

𝑃1 = (52,0) 𝑃2 = (20,0) 𝑃3 = (100,0) 𝑃4 = (52,0)

1 1 1 1
𝑚1 = − 32 𝑚2 = 32 𝑚3 = − 48 𝑚4 = 48

0, 𝑥 <= 0

1, 0 ≤ 𝑥 ≤ 20

𝑥 52
TRAPECIO1 𝑦1 = − 32 + 32, 20 ≤ 𝑥 ≤ 52

0, 52 ≤ 𝑥

0, 𝑥 <= 20

𝑥 20
𝑦2 = − , 10≤ 𝑥 ≤ 20
32 32

𝑥 100
TRIANGULO 2 𝑦3 = − 48 + 48
, 52≤ 𝑥 ≤ 100

0, 100 ≤ 𝑥

0, 𝑥 <= 52

𝑥 52
TRAPECIO 3 𝑦4 = 48 − 48, 52≤ 𝑥 ≤ 100

1, 100 ≤ 𝑥
 1.2 figura

0 30 35 70

𝑃1 = (0,1) 𝑃2 = (0,0) 𝑃3 = (35,1) 𝑃4 = (70,1)

𝑃1 = (30,0) 𝑃2 = (30,1) 𝑃3 = (70,0) 𝑃4 = (35,0)

0, 𝑥 <= 0

𝑥
TRIANGULO 𝑦1 = − 30 + 1, 0 ≤ 𝑥 ≤ 30

0, 30 ≤ 𝑥

0, 𝑥 <= 0
𝑥
𝑦2 = 30, 0≤ 𝑥 ≤ 30

1, 30 ≤ 𝑥 ≤ 35

𝑥 70
TRAPECIO 1 𝑦3 = − + , 35≤ 𝑥 ≤ 70
35 35

0, 70 ≤ 𝑥

0, 𝑥 <= 35

𝑥
TRAPECIO 2 𝑦4 = 35 − 1, 35≤ 𝑥 ≤ 70

1, 70 ≤ 𝑥
 1.3 Figura

𝑃1 = (160,1) 𝑃2 = (175,1) 𝑃3 = (175,1) 𝑃4 = (190,1)

𝑃1 = (170,0) 𝑃2 = (165,0) 𝑃3 = (185,0) 𝑃4 = (180,0)

1 1 1 1
𝑚1 = − 𝑚2 = 𝑚3 = − 𝑚4 =
10 10 10 10

0, 𝑥 <= 0

1, 150 ≤ 𝑥 ≤ 160

𝑥
TRAPECIO1 𝑦1 = − 10 + 17, 160≤ 𝑥 ≤ 170

0, 170 ≤ 𝑥

0, 𝑥 <= 160

FORMA S, 2{(𝑥 − 𝑎)|(𝑏 − 𝑎)}2 160 ≤ 𝑥 ≤ 170

0, 170 ≤ 𝑥
 0, 𝑥 <= 180

𝑥 165
𝑦2 = − , 165≤ 𝑥 ≤ 175
10 10

𝑥 185
TRIANGULO 2 𝑦3 = − + , 175≤ 𝑥 ≤ 185
10 10

0, 190 ≤ 𝑥

0, 𝑥 <= 160

FORMA S 1 − 2{(𝑥 − 𝑎)|(𝑏 − 𝑎)}2 180≤ 𝑥 ≤ 190

0, 170 ≤ 𝑥

0, 𝑥 <= 180

𝑥
TRAPECIO 3 𝑦4 = 10 − 18, 180≤ 𝑥 ≤ 190

1, 190 ≤ 𝑥
 1.4 FIGURA

𝑃1 = (−0.4,1) 𝑃2 = (−0.2,1) 𝑃3 = (−0.2,1) 𝑃4 = (0,0) 𝑃5 = (0.2,1)

𝑃1 = (−0.2,0) 𝑃2 = (−0.4,0) 𝑃3 = (0,0) 𝑃4 = (0.2,0) 𝑃5 = (0.4,1)

𝑃6 = (0.4,1)
𝑃6 = (0.2,0)

0, 𝑥 <= −0.5

𝑥
TRAPECIO 3 𝑦4 = − 18, - 0.4≤ 𝑥 ≤ −0.2
10

1, −0.5 ≤ 𝑥 ≤ −0.4

0, 𝑥 <= −0.4

𝑥 165
𝑦2 = 10 − 10
, -−0.4 ≤ 𝑥 ≤ −0.2

𝑥 185
TRIANGULO 𝑦3 = − 10 + 10
, -−0.2 ≤ 𝑥 ≤ 0

0, 0≤𝑥

0, 𝑥 <= −0.2

𝑥 165
𝑦2 = 10 − 10
, -−0.2 ≤ 𝑥 ≤ 0

𝑥 185
TRIANGULO 𝑦3 = − 10 + 10
, 0≤ 𝑥 ≤ 0.2

0, 0≤𝑥
 0, 𝑥 <= 0

𝑥 165
𝑦2 = 10 − 10
, 0≤ 𝑥 ≤ 0.2

𝑥 185
TRIANGULO 𝑦3 = − 10 + 10
, 0.2≤ 𝑥 ≤ 0.4

0, 0.4 ≤ 𝑥

0, 𝑥 <= 0.2

𝑥
TRAPECIO 3 𝑦4 = 10 − 18, 0.2≤ 𝑥 ≤ 0.4

1, 0.4 ≤ 𝑥
2. Graficar la función gaussiana: gauss(x,c,o), campana (x,a,b,c) y la fuzzy CLIPS. (detallar la
Ec. matemática)
M=input('valor para m: ');

N=input('valor para w:');

x=-20:0.1:20;

y2=exp(-0.5*((x-m)/w).^2);

plot(x,y2,'.')

>> GAUSIANA
Valor para M: 2
Valor para N:8
FUNCIÓN GAUSSIANA

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
-20 -15 -10 -5 0 5 10 15 20
 FUNCIÓN CAMPANA

A=input('valor para A: ');

B=input(valor para B: ');
C=input('valor para C: ');
x=-20:0.1:20;
y=(1./(1+((x-c).^4/a.^4).^2*b));

plot(x,y,'.B' )

>> CAMPANA
valor para A:8
valor para B:5
valor para C:2

0.9

0.8

0.7

0.6

0.5

0.4

0.3

0.2

0.1

0
-20 -15 -10 -5 0 5 10 15 20

FUNCIÓN CAMPANA
3. Desarrolle las Ec. Matemáticas, graficar y desarrolle las operaciones On Fuzzy sets:
Figura 1

 Unión 𝐴 ∪ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 intersección 𝐴 ∩ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 complemento 𝑓 ⌅ (𝑥) = 1 − 𝑓𝐴(𝑥)

Figura 2
 Unión 𝐴 ∪ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 intersección 𝐴 ∩ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 complemento 𝑓 ⌅ (𝑥) = 1 − 𝑓𝐴(𝑥)

 FIGURA 3

 Unión 𝐴 ∪ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 intersección 𝐴 ∩ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 complemento 𝑓 ⌅ (𝑥) = 1 − 𝑓𝐴(𝑥)

FIGURA 4
 Unión 𝐴 ∪ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 intersección 𝐴 ∩ 𝐵(𝑥) = 𝑚𝑎𝑥{𝑓𝑎(𝑥), 𝑓𝑏(𝑥)}

 complemento 𝑓 ⌅ (𝑥) = 1 − 𝑓𝐴(𝑥)

6. CONCLUSIONES
 La respuesta del sistema en general es comparable con la respuesta del sistema
con controlador PID.
 El comportamiento del FLC con referencia distinta de cero es muy mala dado
que presenta un gran error en estado estacionario, esto no sucede si se usa un
controlador PID con componente integral.
 Si el proceso tuviera un integrador en el origen el problema del error en estado
estacionario se resolvería naturalmente, pero no se tendría el control sobre
este.
 El controlador Fuzzy lleva a la planta a cero de manera satisfactoria.

7. REFERENCIAS
[1] http://www.dma.fi.upm.es/recursos/aplicaciones/logica_borrosa/web/tuto
rial_fuzzy/contenido3.html
[2] file:///E:/musica%20apple/dsp/Cap1_ConjuntosDifusos.pdf
[3] http://www.esi.uclm.es/www/cglez/downloads/docencia/2011_Softcomp
uting/LogicaDifusa.pdf
[4] https://www.ecured.cu/L%C3%B3gica_difusa
[5] https://es.slideshare.net/mentelibre/sistema-difuso-y-sus-propiedades-
2036968
[6] https://es.wikipedia.org/wiki/L%C3%B3gica_difusa
[7] http://www.monografias.com/trabajos106/razonamiento-aproximado-
sistemas-difusos-fuzzy-systems/razonamiento-aproximado-sistemas-
difusos-fuzzy-systems2.shtml