Tema 4 Sistemas Basados En Reglas Difusas

10,345 views

Published on

Introducción.
2. Ejemplos de Sistemas basados en reglas
difusas.
1. Sistemas de control difuso.
2. Sistemas expertos difusos.
3. Minería de datos difusos.
3. Estructura básica de un sistema basado en
reglas difusas (SBRD) .
4. Tipos de sistemas basados en reglas difusas.
5. Arquitectura detallada.
1. Interfaz de Fuzzificación.
2. Base de Conocimiento.
1. Base de Datos.
2. Base de Reglas.
3. Motor de inferencia en un SBRD tipo Mamdani.
4. Interfaz de defuzzificación.
5. Motor de inferencia en un SBRD tipo TSK.

Published in: Education
0 Comments
2 Likes
Statistics
Notes
  • Be the first to comment

No Downloads
Views
Total views
10,345
On SlideShare
0
From Embeds
0
Number of Embeds
228
Actions
Shares
0
Downloads
495
Comments
0
Likes
2
Embeds 0
No embeds

No notes for slide

Tema 4 Sistemas Basados En Reglas Difusas

  1. 1. Sistemas Difusos Tema 4 – 1 – Tema 4.- Sistemas Basados en Reglas Difusas. 1. Introducción. 2. Ejemplos de Sistemas basados en reglas difusas. 1. Sistemas de control difuso. 2. Sistemas expertos difusos. 3. Minería de datos difusos. 3. Estructura básica de un sistema basado en reglas difusas (SBRD) . 4. Tipos de sistemas basados en reglas difusas. 5. Arquitectura detallada. 1. Interfaz de Fuzzificación. 2. Base de Conocimiento. 1. Base de Datos. 2. Base de Reglas. 3. Motor de inferencia en un SBRD tipo Mamdani. 4. Interfaz de defuzzificación. 5. Motor de inferencia en un SBRD tipo TSK.
  2. 2. Sistemas Difusos Tema 4 – 2 – Objetivos: - Conocer la estructura básica y funcionamiento de un Sistema Basado en Reglas Difusas. - Clasificar los sistemas basados en reglas difusas en base a su estructura y a la estructura de regla difusa utilizada. - Conocer ventajas e inconvenientes de cada uno de los tipos de sistemas basados en reglas difusas. - Conocer distintas opciones de diseño para la interfaz de fuzzificación. - Percibir las cuestiones generales que se plantean en el proceso de derivación de reglas. - Comprender el proceso de inferencia en un sistema difuso para control. - Conocer las definiciones de distintos métodos de defuzzificación y el significado de cada uno de ellos. - Comprender el funcionamiento global de un sistema difuso para control.
  3. 3. Sistemas Difusos Tema 4 – 3 – 1.- Introducción. Aplicaciones: • Modelado de sistemas: o Obtención de modelos que representan realidades complejas. o Control: Plantas industriales complejas Control en línea Sistemas de navegación con perturbaciones • Clasificación: detección de patrones, diagnóstico médico, ... • Sistemas expertos: ayuda a la decisión, recuperación de información, planificadores financieros, ... • Minería de datos y descubrimiento de información (Knowledge discovery and data mining): extracción del conocimiento intrínseco contenido en grandes bases de datos con reglas de asociación difusas.
  4. 4. Sistemas Difusos Tema 4 – 4 – 2.- Ejemplos de SBRDs 2.1.- SBRDs aplicados a control. Opciones en sistemas digitales: • PID (proporcional-integral-derivativo): o Problemas en entornos de control cambiantes o sistemas no lineales. • MRAC (control adaptativo de modelo de referencia): o Resuelve el problema anterior ajustando los parámetros del controlador comparando la salida con un modelo de referencia. o Necesita un modelo matemático. • Control difuso: o Las entradas, salidas y respuesta de control se especifican con términos similares a los utilizados por un experto en control. o No se requiere un modelo del sistema. o Aprendizaje y ajuste automático fácil de realizar. PROCESO CONTROLADO CONTROLADOR Condiciones Acciones
  5. 5. Sistemas Difusos Tema 4 – 5 – 2.1.- SBRDs aplicados a control. PROCESO CONTROLADO MODULO DEFUZZIFICADOR (DESEMBORRONADOR) MODULO FUZZIFICADOR (EMBORRONADOR) MECANISMO DE INFERENCIA DIFUSA BASE DE REGLAS DIFUSAS CONTROLADOR DIFUSO Valor exacto Condiciones Acciones Valor exacto Valor difuso Valor difuso BASE DE DATOS
  6. 6. Sistemas Difusos Tema 4 – 6 – 2.2.- SBRDs aplicados a sistemas expertos. Ejemplo: Ámbito agrícola. Ejemplos de Sistemas de BD difusas: • Buckles y Petry • Umano y Fukami • Medina et al. (GEFRED) Agricultor (Usuario final) Ing. Agronómico Elemento suelo de cultivo Propiedades: • Color • Textura • Profundidad • Pendiente • Material orgánico • Minerales • etc. Percepción Análisis Representación Sistema Ayuda Decisión Servidor de SQL BD Base de Datos Catálogo Sistema FMB Servidor de FSQL Cliente 1 FSQL Cliente n FSQL
  7. 7. Sistemas Difusos Tema 4 – 7 – 2.3.- SBRDs aplicados a minería de datos. Minería de datos (Data mining) • Conjunto de técnicas de Extracción de conocimiento (Knowledge discovery in databases). • Objetivo: o Información no explícita. o Previamente desconocida. o Potencialmente útil. • Ejemplo: Reglas de asociación [Agrawal et al., 1993]. o Relacionan ítems. (p.e., {leche, arroz} ⇒ canela) o Medidas para importancia y precisión. • Problema: Bases de datos muy grandes (VLDB, Very Large Databases). o Datos dispersos (alta granularidad). o Información de muy diversas fuentes, heterogénea. o Atributos susceptibles de “fuzzificación”. • Solución: Reglas de asociación difusas. o Disminuye la granularidad en la información. o Posibilidad de solapar semánticas. o Obtención de conocimiento comprensible para el usuario.
  8. 8. Sistemas Difusos Tema 4 – 8 – 3.- Estructura básica de un sistema basado en reglas difusas. Un Sistema Basado en Reglas Difusas (SBRD) está formado por: • Base de conocimiento. o Base de Reglas. o Base de Datos. • Motor de inferencia. Además en sistemas con entradas y/o salidas nítidas, se incluye un interfaz de fuzzificación y un interfaz de defuzzificación. Interfaz de Fuzificación Interfaz de Defuzificación Base de Reglas Base de Datos Base de Conocimiento Mecanismo de Inferencia R1: Si X1 es Alto y X2 es Bajo entonces Y es Medio R2: Si X1 es Bajo y X2 es Medio entonces Y es Alto ... Bajo Medio Alto X1 Bajo Medio Alto X2 Bajo Medio Alto Y Factores de escala Entrada escalada Salida escalada
  9. 9. Sistemas Difusos Tema 4 – 9 – 3.- Estructura básica de un sistema basado en reglas difusas. Convierte la entrada nítida a valor difuso Convierte la salida difusa a valor nítido Contiene el conjunto de acciones a realizar en función del estado Contiene la definición lingüística de las variables Realiza el proceso de razonamiento para estimar la salida en función de la entrada Interfaz de Fuzzificación Interfaz de Defuzzificación Base de Reglas Base de Datos Mecanismo de Inferencia
  10. 10. Sistemas Difusos Tema 4 – 10 – 4.- Tipos de sistemas basados en reglas difusas. En función del tipo de regla difusa que utilicen se puede distinguir: • SBRDs tipo Mamdani: “SI X1 es Alto y X2 es Bajo ENTONCES Y es Alto” • SBRDs tipo TSK (Takagi, Sugeno y Kang): “SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)” o No necesitan interfaz de defuzzificación. o El motor de inferencia funciona de distinta forma. 4.1.- SBRDs tipo Mamdani. Ventajas: Facilidad para la derivación de reglas. Interpretabilidad de las reglas difusas. Fueron propuestos antes y se han utilizado con más frecuencia. Inconvenientes: No garantizan la continuidad de la superficie de salida. Menor eficiencia computacional.
  11. 11. Sistemas Difusos Tema 4 – 11 – 4.2.- SBRDs tipo TSK. “SI X1 es Alto y X2 es Bajo ENTONCES Y=f(X1,X2)” Ventajas: Incrementan la precisión. Mayor eficiencia computacional. Facilidad para el análisis del sistema. Garantizan la continuidad de la superficie de salida. Inconvenientes: El consecuente es una fórmula matemática y no proporciona un marco natural para representar conocimiento humano. Limitan la representación de los principios de la lógica difusa.
  12. 12. Sistemas Difusos Tema 4 – 12 – 5.- Arquitectura Detallada. 5.1.- El interfaz de fuzzificación. Para cada una de las entradas del sistema: 1. Adquirir los valores nítidos de las variables de entrada. 2. Trasladar los valores de las variables a los universos de discurso correspondientes. 3. En función del tipo de sistema difuso: • Convertir cada valor nítido en un conjunto difuso con grado de pertenencia igual a 1 para ese valor y 0 para el resto (fuzzy singleton) o • hacer corresponder a cada valor nítido el término lingüístico más adecuado, o • calcular el grado de pertenencia a cada uno de los conjuntos difusos utilizados para dicha variable lingüística.
  13. 13. Sistemas Difusos Tema 4 – 13 – 5.1.- El interfaz de fuzzificación. Algunas posibilidades: • El valor nítido se convierte en un conjunto difuso tipo singleton. o Es la opción más sencilla y la más utilizada. o Adecuado cuando la medición de las variables de estado es fiable. • Se genera un conjunto difuso con centro el valor nítido y un soporte acorde con la incertidumbre de la medición. x0 1 x0 x0+εx0-ε 1
  14. 14. Sistemas Difusos Tema 4 – 14 – 5.2.- La Base de Conocimiento. Está formada por la Base de Reglas y la Base de Datos. Parámetros de diseño implicados: • Elección de las variables de estado del proceso y de control del mismo. • Elección del conjunto de términos lingüísticos para las variables de estado y de control. • Elección de la estructura del antecedente y consecuente de las reglas. • Derivación del conjunto de reglas. Formas de obtención de la base de conocimiento: 1. A través de experiencia experta, conocimiento de ingeniería de control o acciones de un operador de control experimentado. • Experto capaz de describir de forma lingüística sus reglas de decisión (factores de escala, semántica de los conjuntos difusos, operadores implicados, etc.). • A partir de un cuestionario realizado al experto. • Información extraída a partir de la observación de las acciones de control de un operador. 2. Obtención basada en un modelo difuso. 3. Obtención basada en aprendizaje automático (métodos ad hoc, computación evolutiva, redes neuronales, clustering, etc.).
  15. 15. Sistemas Difusos Tema 4 – 15 – 5.2.1. Base de Datos. • Proporciona la información necesaria para el funcionamiento del módulo de fuzzificación, de defuzzificación y de la Base de Reglas. • Definición de los conjuntos difusos: • Define la semántica de cada variable lingüística: • También se pueden definir factores de escalado para extender o reducir el universo de discurso, así como cambiar la sensibilidad: Bajo Medio Alto X1 Factores de escala Medio Alto X2 Bajo Medio Alto Y
  16. 16. Sistemas Difusos Tema 4 – 16 – 5.2.2.- Base de Reglas. • Representa de forma estructurada la política de control experto. • Se deben determinar los siguientes aspectos: o Qué variables de estado y de control se considerarán. o Qué estructura tendrá la regla difusa. o Qué conjunto de reglas (en su representación simbólica) se utilizará. • Posibilidades de elección de las variables: o Imitar los controladores P, PI, PD y PID: Variables de entrada al controlador: • el error: e • la sumatoria del error a lo largo del tiempo: 1 ( ) t i e i = ∑ • la variación del error: ∆e Salidas del controlador: • la salida del sistema: u • la variación de la salida del sistema: ∆u • Usar variables propias del proceso de las que se puede conseguir su valor a través de una medición.
  17. 17. Sistemas Difusos Tema 4 – 17 – 5.2.2.- Base de Reglas. Ejemplo: Base de reglas para el controlador difuso de una aspiradora. • Objetivo: Regular la fuerza de aspiración • ¿Variables de entrada? Cantidad de suciedad: {muy sucio, sucio, algo sucio, casi limpio, limpio} • ¿Variable de control? Fuerza: {muy fuerte, fuerte, normal, débil, muy débil} • Propuesta 1 para la base de reglas: R1: SI la superficie está sucia ENTONCES la fuerza es fuerte R2: SI la superficie está algo sucia ENTONCES la fuerza es normal R3: SI la superficie está casi limpia ENTONCES la fuerza es débil R4: SI la superficie está limpia ENTONCES la fuerza es muy débil
  18. 18. Sistemas Difusos Tema 4 – 18 – 5.2.2.- Base de Reglas - Ejemplo. Se puede mejorar el rendimiento incluyendo más información. • ¿Variables de entrada? Cantidad de suciedad: {muy sucio, sucio, algo sucio, casi limpio, limpio} Tipo de superficie: {madera, caucho, alfombra} • ¿Variable de control? Fuerza: {muy fuerte, fuerte, normal, débil, muy débil} • Propuesta 2 de base de reglas: Limpio Casi limpio Algo sucio Sucio Muy sucio Madera Muy débil Muy débil Débil Normal Fuerte Caucho Muy débil Débil Normal Fuerte Muy fuerte Alfombra Débil Normal Normal Fuerte Muy fuerte • Diagrama de bloques del controlador: Sensor de suciedad Indicador de tipo de superficie Contador de tiempo Amplificador SISTEMA DIFUSO DE CONTROL Circuito Motor de v entilación
  19. 19. Sistemas Difusos Tema 4 – 19 – 5.3.- El motor de inferencia en un SBRD Mamdani Utiliza reglas difusas para obtener la respuesta del sistema difuso ante una determinada entrada Hay dos formas de realizar este proceso: 1. Inferencia basada en reglas individuales: Aplicar la entrada a la primera regla, a la segunda y así sucesivamente. Posteriormente las salidas de las reglas se unen para obtener una única salida. 2. Inferencia basada en la composición: Calcular la relación difusa que representa el significado de toda la base de reglas para aplicar la entrada a esa relación difusa global. • Esquema simplificado de un motor de inferencia basado en reglas individuales: 1. Disparo de reglas: Una regla se dispara si el grado de “emparejamiento” del antecedente de la regla con la entrada es mayor que cero. a. Cálculo del grado de aplicabilidad. • Antecedente con una variable. • Antecedente con más de una variable. b. Escalado o corte de la salida difusa.
  20. 20. Sistemas Difusos Tema 4 – 20 – 5.3.- El motor de inferencia en un SBRD Mamdani 2. Agregación de las salidas (si es necesaria) • Parámetros de diseño para el motor de inferencia: • Elección del tipo de motor de inferencia. • Basado en reglas individuales. • Basado en la composición de reglas. • Elección de la representación del significado de las reglas difusas. • Operadores de conjunción, disyunción, complemento, modificadores lingüísticos, según el caso. • Operador de implicación. • Operador de agregación de reglas. ⊕ Escalado de la salida Emparejamiento: 0.4 = min(0.75 , 0.4) Agregación de las salidas
  21. 21. Sistemas Difusos Tema 4 – 21 – 5.4.- El interfaz de defuzzificación. • La defuzzificación transforma el conjunto difuso de salida en un valor nítido. • Supongamos que tenemos m reglas difusas: Si x1 es A1 (k) ∧ x2 es A2 (k) ∧ ... ∧ xn es An (k) ⇒ y es B(k) con k = 1, 2, ..., m. • Si introducimos unos valores de entrada: A1*, A2*, ..., An*, obtenemos como salida los conjuntos difusos: B’ (1) , B’ (2) , ..., B’ (m) • Unimos todas las salidas: ( ) 1 ' ' m k k B B = = ∪ ⇒ y es B’ • Objetivo: averiguar cuál es el valor nítido B* que mejor representa a B’. a) Centro de área o centro de gravedad. b) Centro de sumas. c) Centro de mayor área. d) Método de la altura. e) Primero del máximo, último del máximo y media de los máximos.
  22. 22. Sistemas Difusos Tema 4 – 22 – 5.4.- El interfaz de defuzzificación. a) Centro de área o centro de gravedad. • Para evitar calcular la integral numérica, se realiza una discretización de la salida: 1 2{ , , , }l Y y y y= … • Inconvenientes: El cálculo del conjunto difuso agregado es costoso. No tiene en cuenta el hecho de que dos áreas se solapen. ' ' · ( ) * ( ) B B y y dy B y dy µ µ = ∫ ∫ ' 1 ' 1 · ( ) * ( ) l i iB i l iB i y y B y µ µ = = = ∑ ∑ unión
  23. 23. Sistemas Difusos Tema 4 – 23 – 5.4.- El interfaz de defuzzificación. b) Centro de sumas. ( ) ( ) ' 1 1 ' 1 1 · ( ) * ( ) k k l m i iB i k l m iB i k y y B y µ µ = = = = = ∑ ∑ ∑∑ • Considera la contribución de cada área de forma independiente. El método del centro de área toma la unión de los B’(k) mientras que este método toma la suma de los conjuntos. De esta forma, si un área se repite, se considera de nuevo, evitando el problema de solapamiento visto anteriormente. • No requiere el cálculo del conjunto difuso de salida c) Centro de mayor área. • Problema: si B’ no es convexo, el centro de área y de sumas da una salida en la zona intermedia, donde el conjunto difuso tiene baja importancia. • Solución: Se determina el conjunto difuso con mayor área y se calcula su centro de gravedad. • Es un método muy costoso. salida
  24. 24. Sistemas Difusos Tema 4 – 24 – 5.4.- El interfaz de defuzzificación. d) Método de la altura. • No requiere el cálculo del conjunto difuso de salida. • Rápido. • Requiere la definición del punto umbral (primer punto de un conjunto difuso con grado de pertenencia máximo). ( ) ( ) ( ) ( ) ' 1 ( ) ' 1 · ( ) * ( ) k k m k k B k m k B k c c B c µ µ = = = ∑ ∑ siendo c(k) el valor umbral del conjunto difuso B’ (k) . e) Primero del máximo, último del máximo y media de los máximos. • Toma el valor más pequeño, más grande o medio del núcleo del conjunto difuso resultante. Ventaja: Coste computacional muy bajo. • Inconvenientes: Valor de salida menos representativo. Puede producir discontinuidades, es decir, generar una salida no continua para pequeños cambios en la entrada. Último Media Primero Cambio de entrada 20 21 x0 x1
  25. 25. Sistemas Difusos Tema 4 – 25 – 5.5.- El Motor de Inferencia en un SBRD tipo TSK. Reglas del tipo: SI x1 es A1 y x2 es A2 y ... y xn es An ENTONCES y = f(x1, x2, ..., xn) En general f(x1, ..., xn) = a0 + a1·x1 + ... + an xn • El antecedente se procesa igual que el de las reglas tipo Mamdani. • Para una entrada específica, el resultado de disparar una regla es un valor nítido. • Finalmente los valores nítidos obtenidos al dispararse distintas reglas se combinan para obtener una única salida (máximo, media aritmética ponderada, etc.). Ejemplo: R1: SI la presión es NG y la temperatura es A ENTONCES el tiempo es 0.3·presión + 0.5·temperatura • Entrada: presión = –22 y temperatura= 22 • Grado de aplicabilidad de la regla = 0.6 • tiempo = 0.3 · (-22) + 0.5 · 22 = 4.4 • La salida completa será: (4.4, 0.6) Salida R5: (5.5, 0.5) Salida = (4.4 · 0.6 + 5.5 · 0.5) / (0.6 + 0.5) = 4.9

×