Universidad Estatal de Milagro
FACULTAD CIENCIAS DE LA INGENIERÍA
INGENIERÍA EN SISTEMAS COMPUTACIONALES
ASIGNATURA: Inteligencia artificial
AUTOR: Kevin Novillo
TEMA: S9-Tarea Unidad 3 Lógica Difusa
DOCENTE: Ing. Jhonny Ortiz
Fecha entrega: 02/09/2020
1. Investigue 3 sistemas diferentes a los analizados en clase, donde se
utilice lógica difusa, describa cada uno de ellos.
Análisis financiero difuso
Esta idea surge de la toma de decisiones de los empresarios ya que se ha
hecho base en datos cerrados y sesgados, al no permitir atrapar la
incertidumbre que brinda los datos al momento de efectuar un análisis
financiero de las empresas. Se emplea la técnica de análisis Fuzzy Logic la
cual permite discurrir el dato actual para tomar decisiones correctas, agarrando
la incertidumbre, a través del principio de simultaneidad gradual declara una
proposición que puede ser a la vez falsa o verdadera. Es de gran ayuda
efectuar estos análisis de los estados financieros aproximándose a la realidad,
ya que permiten suponer dos tipos de escenarios: el mejor y el peor de los
casos.
Control difuso de temperatura
El sistema consiste en un tipo de control de temperatura para una bañera,
mediante un controlador difuso de temperatura se emplea un compresor
asentado en las relaciones Booleanas (CBR). El diseño del controlador difuso
parte del controlador Booleano elaborado anteriormente. Las superficies de
control conseguidas sin o con simplificación en términos prueban las
características que tiene este sistema. Adicionalmente se analizan los efectos
que tienen las simplificaciones realizadas en las reglas de control. La lógica
difusa muestra gran aplicabilidad en los sistemas de control, debido a su
flexibilidad para la ejecución de estrategias de control. (Jairo & Mendez, 2012)
Modelo basado en Lógica Difusa para el Diagnóstico Cognitivo del
estudiante
El siguiente ejemplo de aplicación de lógica difusa consiste en un modelo que
está formado por 27 reglas difusas, las cuales capturan la experticia de los
profesores, maneja tres variables lingüísticas de entrada y solo una de salida.
La experiencia efectuada muestra una visión mejorada del diagnóstico
cognitivo a través de la obtención de información adicional a partir de las notas
tradicionales. Las ventajas de este sistema consisten en la obtención de una
mayor flexibilidad en la evaluación con respecto a la rígida evaluación
tradicional y la posibilidad de que los docentes puedan expresarse en lengua
natural.(Huapaya, Lizarralde, & Arona, 2012)
2. Realice las gráficas en Matlab o Python de las siguientes funciones de
pertenencia. Además de la gráfica incluya el código en la presentación.
Función hombro derecho. Función hombro izquierdo Función
triangular Función Trapezoidal Función Gausiana
Función hombro derecho
xmin=input (' minimo='); %minimo
valor eje x
xmax=input ('maximo='); %maximo
valor eje x
res=0.5;
ymin=0;
ymax=1;
b=input('centro='); %variables
de entrada
a=input('inicio=');
ejex=xmin:res:xmax;
i=1;
% condiciones de pertenencia
for x=ejex;
if (x<a)
pertenhombroder(i)=0;
end
if (x>=a)&(x<b)
pertenhombroder(i)=(x-a)/(b-a);
end
if (x>=b)
pertenhombroder(i)=1;
end
i=i+1;
end
%graficar resultados
plot(ejex,pertenhombroder)
title('Funcion de pertenencia hombro derecho');
axis([xmin,xmax,ymin,ymax]);
ylabel('Grado de pertenencia');
Función hombro izquierdo
xmin=input (' minimo='); %minimo
valor eje x
xmax=input ('maximo='); %maximo
valor eje x
res=0.5;
ymin=0;
ymax=1;
b=input('centro='); %variables de
entrada
a=input('inicio=');
ejex=xmin:res:xmax;
i=1;
% condiciones de pertenencia
for x=ejex;
if (x<a)
pertenhombroder(i)=0;
end
if (x>=a)&(x<b)
pertenhombroder(i)=(x-a)/(b-a);
end
if (x>=b)
pertenhombroder(i)=1;
end
i=i+1;
end
%graficar resultados
plot(ejex,pertenhombroder)
title('Funcion de pertenencia hombro derecho');
axis([xmin,xmax,ymin,ymax]);
ylabel('Grado de pertenencia');
Función triangular
%Funcion de pertenencia triangular 11
0.9
0.9
x = 0:0.1:10; 0.8
0.8
y = trimf(x,[3 6 8]); 0.7
0.7
plot(x,y) 0.6
0.6
xlabel('trimf, P = [3 6 8]') 0.5
0.5
ylim([-0.05 1.05]) 0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
00
00 11 22 33 44 55 66 77 88 99 10
10
trimf,
trimf,PP==[3[3668]8]
Función Trapezoidal
11
%%Funcion Trapezoidal 0.9
0.9
x = 0:0.1:10; 0.8
0.8
y = trapmf(x,[1 5 7 8]); 0.7
0.7
plot(x,y) 0.6
0.6
xlabel('trapmf, P = [1 5 7 8]') 0.5
0.5
ylim([-0.05 1.05]) 0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
00
00 11 22 33 44 55 66 77 88 99 10
10
trapmf,
trapmf,PP==[1[155778]8]
Función Gausiana 11
0.9
0.9
0.8
%%Funcion Gausiana 0.8
0.7
x = 0:0.1:10; 0.7
0.6
y = gaussmf(x,[2 5]); 0.6
0.5
plot(x,y) 0.5
0.4
xlabel('gaussmf, P=[2 5]') 0.4
0.3
0.3
0.2
0.2
0.1
0.1
00
00 11 22 33 44 55 66 77 88 99 10
10
gaussmf,
gaussmf,P=[2
P=[25]5]
3. Una variable lingüística está determinada por una quíntupla
(X, T(X), U, G, M)
Determine lo que corresponde a cada parámetro de esta quíntupla.
X: es el nombre de la variable.
T(X): es el conjunto de términos de X; es decir, la colección de sus valores
lingüísticos o etiquetas lingüísticas.
U: es el universo del discurso o dominio subyacente.
G: es una gramática libre de contexto mediante la que se generan los términos
en T(X), como podrían ser “muy alto”, “no muy bajo”.
M: es una regla semántica que asocia a cada valor lingüístico de X su
significado M(X) (M(X) denota un subconjunto difuso en U. (Morcillo, 2011)
4. Las modificaciones que más se aplican a los conjuntos difusos son:
Concentración Dilatación Intensificación Explique en que consiste
cada una de ellas.
Concentración: consiste que al componer con una función de tipo f ( y ) =Y p, con
p>1. El efecto es que la función de pertenencia coge valores más pequeños,
enfocándose en los valores mayores. El efecto de utilizar la concentración se
puede percibir en la siguiente figura: función base de pertenencia es la azul, y
la transformada la rosa: (Galindo Gómez, n.d.)
Ilustración 1. ((la función de pertenencia base
es la azul, y la modificada la rosa)
Fuente: (Apartado 7.3: Teoría de conjuntos difusos y lógica difusa 1 Introducción, n.d.)
Dilatación: Efecto contrario a la concentración, al componer con una función
tipo f ( y ) = y p con 0< p<1 o con 2 y − y2
Ilustración 2. (efecto contrario a la concentración)
Fuente: (Apartado 7.3: Teoría de conjuntos difusos y lógica difusa 1 Introducción, n.d.)
Intensificación: Se disminuyen los valores menores a 1/2 y se aumentan los
mayores. Componemos con una función del tipo:
2 p−1 y p
{
1−2 p−1 (1− y )
p para y≤0.5
En otro caso donde p>1. Generalmente se pone P=2, es decir con mayor p,
mayor intensificación.
Ilustración 3. (gráfica de intensificación del
contraste)
Fuente: (Apartado 7.3: Teoría de conjuntos difusos y lógica difusa 1 Introducción, n.d.)
5. Para el ejercicio del control de Péndulo invertido, considera la
velocidad angular y el ángulo como variables de entrada y la velocidad de
la plataforma como variables de salida.
EJERCICIO A MANO
R: Cuando el péndulo tiene un ángulo de -30° y la velocidad angular es de 0.5;
la velocidad de la plataforma es -1
EJERCICIO EN MATLAB
Variables de entrada
ángulo
velocidad angular
Variable de salida
Velocidad de la plataforma
Tabla de reglas
Reemplazamos valores en ángulo=-30 y velocidad angular=0.5 y obtuvimos
que la velocidad de la plataforma seria -1
6. El conocimiento experto de un comensal de un restaurante se modela
mediante un sistema de reglas difusos. El sistema cuenta con dos
variables de entrada Servicio (Calidad del Servicio, que se evalúa de 0 a
10), y Comida (Calidad de la Comida, que se evalúa igualmente de 0 a 10).
El porcentaje de propina se modela con la variable Propina (definida entre
5 % y 25 % del precio total). A la variable de entrada Servicio le
asociaremos tres conjuntos difusos asociados a las etiquetas lingüísticas
Pobre, Bueno y Excelente.
7. Queremos calcular el tiempo de vida que puede tener un paciente que
sufre un cáncer gástrico. Para calcular el tiempo de vida emplearemos
dos variables: X=Edad e Y=Valor CRP (C-Reactive Proteins). La variable X
nos dirá la edad del paciente mientras que la variable Y es un marcador
tumoral, uno de los valores más utilizados a la hora de hacer pronósticos
en oncología. La salida de nuestro sistema de control será la variable
Z=Tiempo de vida.
Implemente el sistema de control difuso en Matlab. Considere que el sistema
es
proporcional. Determine el tiempo de vida cuando el paciente tiene 65 años y el
valor CPR es de 25.
EJERCICIO EN MATLAB
Variables de entrada
EDAD
CRP
Variables de salida
Tiempo de vida
Tabla de reglas
Determine el tiempo de vida cuando el paciente tiene 65 años y el valor CPR es
de 25.
Respuesta: 2.64
8. De
forma manual realice el controlador difuso para el sistema de la balanza
aérea. Descargue el documento en el siguiente enlace:
https://drive.google.com/file/d/139wZY5inr5uY1kFpioH-CXjj6zaPvsC/view?
usp=sharing En el documento se especifican mediante gráficas, las
variables de entrada y salida, así como las reglas.
Determine la velocidad del motor izquierdo cuando la posición es
de 600 y la entrada de velocidad es de 10.
Implemente el sistema en Matlab y determine la salida del motor
izquierdo para las mismas condiciones
9. En base a los siguientes conjuntos halle la matriz relacional:
R=AxB, S=CxA, T=BxC
10.Halle la multiplicación max-min y max-prod de R y T
Bibliografía
Apartado 7.3: Teoría de conjuntos difusos y lógica difusa 1 Introducción. (n.d.).
Galindo Gómez, J. (n.d.). Conjuntos y Sistemas Difusos (Lógica Difusa y Aplicaciones).
Huapaya, C. R., Lizarralde, F. A., & Arona, G. M. (2012). Modelo basado en lógica difusa para el
diagnóstico cognitivo del estudiante. Formacion Universitaria, 5(1), 13–20.
https://doi.org/10.4067/S0718-50062012000100003
Jairo, J., & Mendez, S. (2012). con-ciencias.
Morcillo, C. G. (2011). Lógica Difusa Una introducción práctica Técnicas de Softcomputing.
