RAZONAMIENTO APROXIMADO
|
|
- Eugenia Vega Ayala
- hace 5 años
- Vistas:
Transcripción
1 RAZONAMIENTO APROXIMADO Sistemas Difusos (Fuzzy Systems) Introducción a la Inteligencia Artificial LCC
2 RAZONAMIENTO APROXIMADO (RA) Trata como REPRESENTAR COMBINAR y REALIZAR INFERENCIAS con conocimiento impreciso y/o incierto
3 RA: Distintos modelos MODELOS PROBABILISTICOS MODELO EVIDENCIAL MODELO POSIBILISTICO Todos tratan la incertidumbre en un sistema de producción Sólo el modelo posibilístico puede tratar la imprecisión.
4 RA: Distintos modelos MODELO POSIBILISTICO Como representar, combinar y realizar inferencias con conocimiento impreciso
5 CONOCIMIENTO IMPRECISO El conocimiento cuenta con predicados o cuantificadores vagos (no precisos) Ejemplos: Pedro tiene entre 20 y 25 años. Juan es joven Mucha gente juega al fútbol El espectáculo es para gente grande.
6 Lógica difusa Introducción Teoría de conjuntos difusos Teoría de conjuntos clásica (conjuntos nítidos) Conjuntos Difusos Funciones de pertenencia Etiquetas lingüísticas Operaciones elementales con conjuntos difusos Complemento Intersección Unión Razonamiento difuso Inferencia difusa Decodificación Funcionamiento de un sistema difuso Conclusiones 6
7 Necesidad de razonamiento difuso En el mundo real existe mucho conocimiento con las siguientes características: conocimiento vago, impreciso, incierto, ambiguo, inexacto, o probabilístico por naturaleza. El razonamiento y pensamiento humano frecuentemente conlleva información de este tipo: imprecisión inherente de los conceptos humanos y razonamiento basado en experiencias similares, pero no idéntica Problema: Poca capacidad de expresión de la lógica clásica. Ejemplo 1. Clasificación de personas en altas o bajas Ejemplo 2. Definición del término joven 7
8 Going Fuzzy Examples of Fuzzy statements: The motor is running very hot. Tom is a very tall guy. Electric cars are not very fast. High-performance drives require very rapid dynamics and precise regulation. Leuven is quite a short distance from Brussels. Leuven is a beautiful city. The maximum range of an electronic vehicle is short. If short means: 300 km or less, would 301 km be long? Want to express to what degree a property holds. 8
9 Fuzzy sets: Are functions: f: domain [0,1] Crisp set (tall men): cm Fuzzy set (tall men): cm 9
10 Representing a domain: Crisp sets (men s height): 1 0 short medium tall cm Fuzzy set (men s height): 1 0 short short medium tall cm 10
11 Razonamiento inexacto Es necesario cuantificar y razonar acerca de términos o predicados difusos que aparecen en el lenguaje natural. La lógica difusa se refiere a estos términos como variables lingüísticas, y la tecnología de los sistemas expertos, incorpora estas variables lingüísticas en reglas que pasan a ser reglas difusas. 11
12 Lógica difusa En 1965, Lofti Zadeh sienta las bases de la lógica difusa Motivación inicial: estudio de la vaguedad Relación vaguedad incertidumbre Solución: definir conjuntos con grados de pertenencia Éxito de la lógica difusa : Desde el punto de vista práctico: miles de aplicaciones, la mayoría en sistemas de control Desde el punto de vista lógico: lógica fuzzy como una lógica multivaluada. 12
13 Características principales de la lógica difusa Se intenta representar la vaguedad e imprecisión inherentes en el lenguaje natural Utiliza varios elementos: conjuntos difusos, variables difusas, relaciones difusas, reglas difusas (lenguaje difuso) Dichos elementos se combinan entre sí en el proceso de inferencias (fuzzy logic) Fuzzy control: El proceso de inferencias incluye pasos que pasan la información precisa a difusa y viceversa 13
14 Lógica difusa Por definición logica difusa es una rama de la lógica que utiliza grados de pertenencia a los conjuntos (grados de verdad de las fórmulas) en lugar de los estrictos valores verdadero o falso. Estos conjuntos reciben la denominación de conjuntos difusos. 14
15 Lógica difusa La lógica difusa concierne a la cuantificación y razonamiento sobre términos vagos o difusos que aparecen en el lenguaje natural cotidiano. En la lógica difusa, estos términos son denominados variables lingüísticas. variables lingüísticas: son términos que describen algún concepto que usualmente tiene asociados valores vagos o difusos. 15
16 Lógica difusa Variable lingüística Valores típicos temperatura caliente, frío altura baja, media, alta velocidad lenta, normal, rápida 16
17 Difusión de fuzzy logic En la actualidad es un campo de investigación muy importante, tanto por sus implicaciones matemáticas o teóricas como por sus aplicaciones prácticas: Revistas (Fuzzy Sets and Systems, IEEE Transactions on Fuzzy Systems..) Congresos (FUZZ-IEEE, IPMU, EUSFLAT, ESTYLF...) Miles de aplicaciones reales: Control de sistemas: Tráfico, vehículos, compuertas en plantas hidroeléctricas, centrales térmicas, lavadoras, metros ascensores... Predicción y optimización: Predicción de terremotos, optimización de horarios... Reconocimiento de patrones y Visión por ordenador: Seguimiento de objetos con cámara, reconocimiento de escritura, reconocimiento de objetos, compensación de vibraciones en cámaras, sistemas de enfoque automático... Sistemas de información o conocimiento: Bases de datos, sistemas expertos... 17
18 Un poco de publicidad... OLYMPUS ERGONÓMICA SRL AEG Lavamat Poderoso lente zoom de 4.3x, con elementos de lentes de cristal ED Sistema de flash doble incorporado. Ajuste de Exposición Automática programada Sistema de Medición TTL: Fuzzy logic ESP, Promedio Balanceado al Centro Carga: 5kg Revoluciones: 1400 rpm Características energéticas: A+,A,B Multi-Display Fuzzy Logic Programas especiales: Lavado a mano, Seda, Lana 18
19 Conjuntos difusos Conjuntos clásicos (crisp) A U definido por su función de pertenencia µa: U {0,1} / µa(x)= 1 sii x A Conjunto difuso (Fuzzy set) A de U µa: U [0,1] µa(x) me define el grado de pertenencia de x a A Hay distintos grados de pertenencia 19
20 Conjuntos difusos La sentencia Juan es alto implica la variable estatura que tiene como valor lingüístico alto. El rango de los posibles valores de la variable lingüística (estatura) es el universo de discurso X de dicha variable [0.3, 2.5m]. La frase Juan es alto restringe los valores de la variable estatura y se puede representar mediante un conjunto difuso. 20
21 Conjuntos difusos Para otras descripciones de la variable lingüística estatura tales como: baja o media, se pueden obtener otros conjuntos difusos que reflejan la opinión popular (o de expertos). se pueden definir múltiples conjuntos difusos para un mismo universo de discurso: subconjuntos difusos representando distintos términos vagos. 21
22 22
23 23 Funciones de pertenencia Algunas de las funciones de pertenencia más utilizadas son: < < = m x para 1 x a para a m a x a x para 0 m µ(x) 1 a m Función GAMMA (Γ): Función LAMBDA o triangular Función L Puede definirse simplemente como 1 menos la función GAMMA 1 m a > < < = µ b x para 0 b x m para m b x b m x a para a m a x a x para 0 (x) 1 a b m
24 24 Funciones de pertenencia Función PI o trapezoidal > < < < = µ d x para 0 d x c para c b x d c x b para b x a para a b a x a x para 0 x) ( 1 1 a b c d
25 Funciones de pertenencia Función S µ S 0 para x a 2 x a a + c 2, para a x c a 2 (x) = 2 x a a + c 1 2, para x c c a 2 1 para x c a (a+c)/2 c Función Z (opuesta de la S) µ Z (x) = 1- µ S (x) Función Π µ µ S(x) para x b (x) = Π µ Z(x) para x > b b-d b b+d 25
26 Conjunto difuso - espacio discreto Considerando ahora un universo de discurso discreto, tal que los elementos de X sean { x 1, x 2,...x n } y, siendo A un conjunto difuso definido en dicho universo: La representación del vector se clarifica utilizando el símbolo / que asocia el valor de pertenencia a i con la coordenada de x i : A = ( a 1 / x 1, a 2 /x 2...a n / x n ) Considerando el conjunto difuso alto ALTO = (0/1.65, 1/1.75, 1/1.85, 0/1.95) 26
27 Conjunto difuso - espacio discreto También se expresa como: A = ( a 1 /x 1 + a 2 /x a n / x n ) A = Σ i=,1,n µ A (x i )/x i Si X es una función continua, el conjunto A, este puede ser representado como: A = µ A (x i )/x i 27
28 Etiquetas lingüísticas - Hedges Equivalentes a los adverbios del lenguaje natural Se utilizan para definir conjuntos difusos a partir de otros ya existentes. Por ejemplo, viejo > MUY viejo Lo que se hace es componer la función de pertenencia con alguna otra función, de forma que la función resultante tenga la forma deseada Por ejemplo, función para el adverbio MUY > f(y) = y 2 1 viejo Muy viejo 0 28
29 Etiquetas lingüísticas Existe todo un catálogo de adverbios/funciones Nombre del modificador Descripción del modificador not 1-y very (muy) y 2 somewhat (algo) y 1/3 more-or-less (más o menos) y 1/2 extremely (extremadamente) y 3 29
30 Etiquetas lingüísticas Otras operaciones usuales Normalización f(y) = y/altura Concentración f(y)=y p, con p>1 1 0 Dilatación f(y)=y p, con 0<p<1 1 0 Intensificación contraste f p 2 1 y 2 1 p ( y) = p 1 (1 y) p para y 0.5 en otro caso 1 0 Difuminación 1 f ( y) = y / 2 1 (1 y)/ 2 para y 0.5 en otro caso 0 30
31 Operaciones con conjuntos difusos Complemento (Negación) Dado un conjunto difuso A, su complemento vendrá definido por µ ( x) = c ( ( x)) µ A A Las funciones c para el complemento más utilizadas son: c(α) = 1 - α. 1 0 Yager c w (α) = ( 1 - α w ) 1/w w [0, ] 1 0 Sugeno c λ (α) = (1-α)/(1-λα) λ [0, 1]
32 Operaciones con conjuntos difusos Intersección (conjunción) Dados dos conjuntos difusos A y B, su intersección vendrá definida por µ A B (x) = i(µ Α (x),µ Β (x)) Las funciones i que verifican las propiedades que se esperan de una conjunción se llaman normas triangulares (t-normas). 32
33 Operaciones con conjuntos difusos Algunas t-normas usuales: 1 t-norma del mínimo i min (α,β α,β) = min(α,β α,β) 0 1 t-norma del producto i * (α,β) = αβ 0 t-norma del producto drástico i inf ( α, β ) = α si β = 1 β si α = 1 0 en otro caso
34 Operaciones con conjuntos difusos Unión (disjunción) Dados dos conjuntos difusos A y B, su unión vendrá definida por µ AuB (x) = u(µ A (x), µ B (x)) Las funciones u que verifican las propiedades esperadas para una disjunción se llaman: conormas triangulares (t-conormas). 34
35 Operaciones con conjuntos difusos Si consideramos como complemento la función c(u) = 1-u, las t- conormas correspondientes a las t-normas anteriores son: t-conorma del máximo u max (α,β) = max(α,β) 1 0 t-conorma de la suma u * (α,β) = α+β αβ 1 t-norma de la suma drástica u sup ( α, β ) = α si β = 0 β si α = 0 1 en otro caso
36 Operaciones con conjuntos difusos Considerando la t-norma del mínimo (intersección, AND) junto con la t-conorma del máximo (unión, OR) Conjuntos vacío y total: Conjunto vacío Conjunto total (X crisp) x X µ ( x) = 0 x X µ X ( x) =1 Sin embargo, con esta definición no se satisfacen algunos famosos principios de la lógica clásica, como por ejemplo: A A = A A = X Principio de contradicción Principio del tercero excluso 36
37 Razonamiento difuso Proposición difusa simple: Proposición que asigna un valor a una variable difusa: Pepe es de estatura mediana. Tiene asociado un conjunto difuso (función de pertenencia). Proposición difusa compuesta: Agrupación de dos o más proposiciones difusas simples la velocidad es normal AND el objeto está cerca la velocidad es alta OR el objeto está muy cerca la velocidad NO es alta Necesidad de definir operadores difusos: NO ( p) µ A(u) = 1 - µ A (u) AND (p q) vendrá definida por una función de pertenencia tipo t-norma, por ejemplo µ A B (u,v) = min( µ A (u), µ B (v)) OR (p q) vendrá definida por una función de pertenencia tipo t- conorma, por ejemplo µ AUB (u,v) = max(µ A (u), µ B (v)) 37
38 Razonamiento difuso: implicaciones El siguiente paso es definir lo que es una implicación, es decir, asignar una función de pertenencia a una agrupación antecedente consecuente del tipo p q Esto nos permitirá razonar con afirmaciones tales como: SI la velocidad es normal ENTONCES la fuerza de frenado debe ser moderada Opciones: Teórica: Dar a la implicación el mismo significado que en la lógica clásica. p q p q µ p q (u,v) = max(1-µ A (u), µ B (v)) p q ~(p (~q)) µ p q (u,v) = 1 min[µ A (u), 1-µ B (v)] Práctica: Dar a la implicación el significado de relación causa-efecto: Implicación de Mamdani p q A B µ p q (u,v) = min( µ A (u), µ B (v)) 38
39 Inferencia Difusa Fuzzy inference Una regla difusa relaciona dos proposiciones difusas, por ejemplo considerando dos conjuntos difusos tales como A (estatura es alta) y B (peso es elevado), estos pueden estar relacionados por la regla: If A Then B Los sistemas expertos difusos almacenan las reglas como asociaciones difusas (A,B), en una matriz M denominada matriz asociativa difusa. 39
40 Matriz asociativa difusa. 40
41 Inferencia Difusa Fuzzy inference Como en otras técnicas de razonamiento inexacto, el proceso de inferencia difusa intenta establecer la credibilidad conclusión de la regla dada una cierta evidencia en la premisa. If A Then B A* B*??? 41
42 Funcionamiento de un sistema de control basado en lógica difusa Entrada crisp x U p Codificador Reglas Decodificador Salida crisp y=f(x) V u U p Conjuntos difusos entrada Inferencia v V Conjuntos difusos salida 42
43 Inferencia Difusa Fuzzy inference Disponiendo de la matriz M que se obtiene a partir de A B, el proceso de inferencia difusa permite a partir de información A (subconjunto de A), inducir un subconjunto B de B. Técnicas de inferencia difusas: Inferencia max-min Inferencia max-product 43
44 Inferencia max-min El operador de de la implicación utilizado es el min, es decir: m ij = min(a i,b j ) Entonces, dados dos conjuntos difusas A y B, se obtiene la matriz M. Luego, dado el conuunto A, se puede inducir el subconjunto B. 44
45 Inferencia max-min Ejemplo: sea un universo de discurso X que representa temperatura, y A un conjunto difuso que representa temperatura normal. Asumiendo que Y representa velocidad y un B que representa velocidad media, entonces si tenemos la siguiente regla difusa: If temperatura normal Then velocidad media IF A THEN B 45
46 Inferencia max-min - Ejemplo 46
47 A representa una entrada de t=125º 47
48 El subconjunto A (lectura única) induce un conjunto difuso B utilizando la composición max-min: 48
49 Inferencia max-min - Ejemplo 49
50 Inferencia max-min - Observación Cuando A tiene un solo valor de pertenencia distinto de 0, por ejemplo x k se puede utilizar solo µ A (x k ) directamente con la representación de B, µ B (y) para inducir B como B = µ A (x k ) µ B (y) Truncamiento del conjunto difuso B por el valor µ A (x k ) 50
51 En el ejemplo, nosotros asumimos que la temperatura es de 125 grados A tiene un solo valor de pertenencia distinto de 0, y resulta µ A (x) = 0.5 Luego: Inferencia max-min - Ejemplo B = [min(.5, 0), min(.5,.6), min(.5, 1), min(.5,.6), min(.5, 0) = = (0,.5,.5,.5, 0) 51
52 Inferencia max-min - Observación En el caso que la entrada a la regla sea una lectura difusa A, nosotros podemos considerar la intersección de A y A, es decir: min (a i, a i ) para inducir el B 52
53 53
54 Inferencia max-product El operador de de la implicación utilizado es el producto en lugar del min: m ij = a i * b j Dados los conjuntos difusos A y B, se obtiene la matriz M. Luego, dado el vector de ajuste de A, se puede inducir el subconjunto B. 54
55 Inferencia max-product: Ejemplo 55
56 Inferencia max-product : Ejemplo A partir de la nueva matriz M se utiliza nuevamente la composición Max-min: 56
57 Inferencia max-product: Ejemplo 57
58 Inferencia Difusa El método numérico desarrollado puede ser extendido a reglas con cláusulas múltiples en la premisa vinculadas por operadores de conjunción o disyunción. Si A and/or B Entonces C La extensión del método consiste en incorporar las matrices asociativas a cada uno de los conjuntos difusos A y B involucrados en la regla y resolverlos conforme a la naturaleza del 58 operador que los vincula.
59 Reglas con antecedentes compuestos 59
60 Inferencia Difusa El efecto de la combinación de las conclusiones de varias reglas: R1: A1 C,... Rn: An C y el valor resultante del aporte de cada una de ellas, permite suponer que el resultado de la composición ( la unión): C = C 1 C 2 C 3... C n según las operaciones entre conjuntos difusos C = max (C 1, C 2, C 3,..., C n) 60
61 Decodificación - defuzzyfication Una vez llevado a cabo el proceso de razonamiento difuso, es necesario dotar al sistema de la capacidad de tomar decisiones. Así por ejemplo, el sistema debe saber qué fuerza de frenado que debemos aplicar si la velocidad es alta Para ello se utilizan las llamadas técnicas de decodificación, que transforman un conjunto difuso en un valor nítido. Las más usuales son: El valor máximo (es decir, el más posible). El centroide o centro de gravedad difuso y centroide = x X x X x µ ( x) A A µ ( x) 61
62 Fuzzy systems 62
63 Fuzzy systems 63
64 Fuzzy systems 64
65 Fuzzy system: ejemplo 65
66 Fuzzy system: ejemplo 66
67 Fuzzy system: ejemplo 67
68 Fuzzy system: ejemplo 68
69 En resumen La lógica difusa se concibió originalmente como un método mejor para manejar y almacenar información imprecisa Ha demostrado ser una excelente alternativa para sistemas de control, ya que imita a la lógica de control humana Se pede incluir en cualquier sistema, desde dispositivos pequeños a sistemas de control complejos Usa un lenguaje impreciso pero muy descriptivo para operar con datos de entrada de una forma parecida a la usa un operador humano Es robusta y no demasiado dependiente de los datos de entrada y operadores elegido Incluso las primeras versiones funcionan bastante bien, con escasa necesidad de ajustes 69
RAZONAMIENTO APROXIMADO
RAZONAMIENTO APROXIMADO Sistemas Difusos (Fuzzy Systems) Introducción a la IA - LCC REALIDAD El conocimiento que necesitamos para desarrollar un Sistema basado en Conocimiento tiene muchas veces las siguientes
Más detallesTema 6 Razonamiento aproximado
Tema 6 Razonamiento aproximado Ampliación de Ingeniería del Conocimiento Eva Millán 1 Esquema del tema 6.1. Introducción al razonamiento aproximado 6.2. El modelo de factores de certeza 6.3. Conjuntos
Más detallesLOGICA DIFUSA. Dámaso López Aragón
LOGICA DIFUSA Dámaso López Aragón Introducción La lógica difusa tiene su origen en la década de los 60, en la Universidad de Berkeley - California, la cual fue desarrollada por Lofti Zadeth a través de
Más detallesque pretende introducir un grado de vaguedad en las cosas que evalúa. En el mundo en que
CAPÍTULO 3 Lógica difusa Recientemente, la cantidad y variedad de aplicaciones de la lógica difusa han crecido considerablemente. La lógica difusa es una lógica alternativa a la lógica clásica que pretende
Más detallesSesión 9. Razonamiento con imprecisión. Año académico 2014/15. Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt
Sesión 9 Razonamiento con imprecisión Año académico 2014/15 Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt 1 Índice Introducción Conjuntos borrosos Operaciones con conjuntos borrosos
Más detallesLógica Borrosa o Difusa
Lógica Borrosa o Difusa Introducción Ingenierías del Conocimiento EIE 1 Contenido Orígenes Conjuntos borrosos Operaciones con conjuntos borrosos Razonamiento borroso Representación del conocimiento Métodos
Más detallesSesión 9. Razonamiento con imprecisión. Semestre de otoño Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt
Sesión 9 Razonamiento con imprecisión Semestre de otoño 2013 Profesores: Sascha Ossowski, Alberto Fernández y Holger Billhardt 1 Índice Introducción Conjuntos borrosos Operaciones con conjuntos borrosos
Más detallesSubTemas. MC Enrique Martinez Peña. Universidad Politecnica de Victoria. Tema 1.2 Teoría de conjuntos difusos
SubTemas 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas de inferencia difusos 1 Tópicos Conjuntos clásicos
Más detallesConjuntos difusos: propiedades y modificadores Blanca A. Vargas Govea Noviembre 6, 2012 Inteligencia Computacional LÓGICA DIFUSA
LÓGICA DIFUSA Conjuntos difusos: propiedades y modificadores Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 6, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia
Más detallesLÓGICA Y CONJUNTOS DIFUSOS
CPÍTULO 2 LÓGIC Y CONJUNTOS DIFUSOS 2.1 Introducción La lógica difusa es una metodología que proporciona una manera simple de obtener una conclusión a partir de información de entrada vaga, ambigua, imprecisa,
Más detallesModelo posibilista: Objetivos. Conjuntos difusos. Conjuntos difusos/lógica difusa. Notas
: Objetivos Introducción Intentamos representar la imprecisión del lenguaje Los expertos expresan su conocimiento como apreciaciones cualitativas Dos elementos: Variables definidas sobre un dominio (Universo
Más detallesModelo posibilista: Objetivos
Introducción Modelo posibilista: Objetivos Intentamos representar la imprecisión del lenguaje Los expertos expresan su conocimiento como apreciaciones cualitativas Dos elementos: Variables definidas sobre
Más detallesCapítulo 2. disponibles las habilidades de los expertos a los no expertos. Estos programas tratan de
Capítulo 2 Sistemas Expertos y Lógica Difusa 2.1 Sistemas Expertos Los sistemas expertos son programas computacionales diseñados para tener disponibles las habilidades de los expertos a los no expertos.
Más detallesIntroducción a Sistemas Difusos Tipo-2
Introducción a Sistemas Difusos Tipo-2 Luis G. Marín Departamento de Ingeniería Eléctrica Universidad de Chile EL7012-2016 L. Marin & D. Sáez 1 Modelo computacional Sistemas Difusos Base de reglas x Entradas
Más detallesSistemas Difusos. La mayoría de los fenómenos con los cuales nos deparamos son imprecisos Ejemplo: día Caliente (40, 35, 30, 29,5?
Sistemas Difusos La mayoría de los fenómenos con los cuales nos deparamos son imprecisos Ejemplo: día Caliente (40, 35, 30, 29,5?) Imprecisión Intrínseca ayuda en la comprensión del problema. Fuzziness
Más detallesLÓGICA DIFUSA. Lofti Zadeh(1965) Determine el valor de verdad de los siguientes predicados y/o sentencias:
LÓGIC DIFUS Lofti Zadeh(1965) La lógica difusa es una extensión de la lógica convencional (ooleana), para manejar el concepto de verdad parcial de los predicados y sentencias ambiguos o vagos y que va
Más detallesControl con Lógica Difusa
Control con Lógica Difusa Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando Ornelas Tellez UMSNH-FIE División
Más detallesControl con Lógica Difusa
Control con Lógica Difusa Teoría Conjuntos Difusos: Relaciones y Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando
Más detallesTecnologías de Sistemas Inteligentes (IA95 022) Razonamiento Aproximado mediante Lógica Difusa
Razonamiento Aproximado mediante Lógica Difusa c M. Valenzuela 1996, 1997, 2006 (23 de febrero de 2006) Este apunte está basado en (Driankov, Hellendoorn, y Reinfrank, 1996, capítulo 2) y (Klir y Yuan,
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA)
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA ESCUELA PROFESIONAL DE INGENIERÍA DE SISTEMAS 1. INFORMACIÓN GENERAL
Más detallesConjuntos Difusos. Conjuntos Crisp x Difusos Definición Representación Propiedades Formatos Operaciones Hedges
Conjuntos Difusos Conjuntos Crisp x Difusos Definición Representación Propiedades Formatos Operaciones Hedges Formatos de los Conjuntos La función Verdad de um conjunto fuzzy representa las propiedades
Más detallesLÓGICA DIFUSA. Conjuntos difusos Blanca A. Vargas Govea Noviembre 2, 2012 Inteligencia Computacional
LÓGICA DIFUSA Conjuntos difusos Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 2, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia difusa Fusificación Definir
Más detallesControl Inteligente. SubTemas. MC Enrique Martinez Peña. Universidad Politecnica de Victoria
SubTemas Control Inteligente Ingeniería Mecatrónica 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas de inferencia
Más detallesQue es la lógica difusa
Que es la lógica difusa y por supuesto, para que sirve? Julio Waissman Vilanova Departamento de Matemáticas Universidad de Sonora Encuentro Universitario de Ciencia y Tecnología Plan de la presentación
Más detallesSubTemas. Tema 1.4 Razonamiento Aproximado. Tópicos
SubTemas 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas de inferencia difusos Tema 1.4 Razonamiento Aproximado
Más detalles1 TEORÍA BORROSA. 1.1 Conjuntos Borrosos CONTROL BORROSO
TEORÍA BORROSA. Conjuntos Borrosos El concepto de conjunto borrosos fue introducido por primera vez por Lofti A. Zadeh, profesor de la Universidad de California Berkeley, en el año 964, en un intento de
Más detallesM.C. ENRIQUE MARTINEZ PEÑA UNIVERSIDAD POLITECNICA DE VICTORIA
SubTemas 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas de inferencia difusos 1 Tópicos Variables lingüísticas
Más detallesFuzzy Logic. Difuso vs. Preciso. Relación entre la Lógica y los Conjuntos. Función de Pertenencia
Motivación Fuzzy Logic (Lógica Difusa) Lógica para Ciencias de la Computación Primer Cuatrimestre de 29 Material Adicional La lógica difusa es una de las ramas de la matemática. Permite que las computadoras
Más detallesInteligencia artificial
Inteligencia artificial Juana es muy bella Jorge corre muchísimo La temperatura está muy alta Casi no recuerdo el encargo Tal vez asista al seminario. Estare a tiempo. No entiendo nada. Iremos al parque
Más detallesControl con Lógica Difusa
Teoría de Control con Lógica Difusa Teoría Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando Ornelas Tellez UMSNH-FIE
Más detallesLicenciatura en Ingeniería en Sistemas Inteligentes
Universidad Autónoma del Estado de México Unidad Académica Profesional Nezahualcóyotl Licenciatura en Ingeniería en Sistemas Inteligentes Unidad de aprendizaje: Lógica Difusa Relaciones Difusas Dra. Dora
Más detallesLÓGICA DIFUSA. Inferencia: defusificación Blanca A. Vargas Govea Noviembre 13, 2012 Inteligencia Computacional
LÓGICA DIFUSA Inferencia: defusificación Blanca A. Vargas Govea vargasgovea@itesm.mx Noviembre 13, 2012 Inteligencia Computacional Sistemas de inferencia difusa 2 Observacio nes Inferencia difusa Fusificación
Más detalles3. Diseño de la solución
3. Diseño de la solución 3.1. Diseño del Algoritmo En el siguiente capítulo se desarrollará cada de las variables y requerimientos en el sistema de lógica difusa desarrollado. 3.2. Diagrama de bloques
Más detallesTema 3. Razonamiento Aproximado Lección 3.2. Razonamiento con imprecisión
Tema 3. Razonamiento Aproximado Lección 3.2. Razonamiento con imprecisión Referencias Bibliográficas (diapositivas): José Cuena. Sistemas Inteligentes. Conceptos, técnicas y métodos de construcción. Facultad
Más detallesDeterminar la incertidumbre al momento de desarrollar aplicativos en inteligencia artificial, haciendo uso de estructuras probabilísticas..
Sistemas expertos e inteligencia artificial, Guia 5 1 Facultad : Ingeniería Escuela : Computación Asignatura: Sistemas expertos e Inteligencia Artificial Tema: RAZONAMIENTO CON INCERTIDUMBRE. Objetivo
Más detalles(Lógica Difusa) Lógica para Ciencias de la Computación. Primer Cuatrimestre de 2009 Material Adicional
Fuzzy Logic (Lógica Difusa) Lógica para Ciencias de la Computación Primer Cuatrimestre de 2009 Material Adicional Motivación La lógica difusa es una de las ramas de la matemática. Permite que las computadoras
Más detallesIntroducción al Control Borroso
Introducción al Control Borroso Carlos Bordóns Alba Dpto. Ingeniería de Sistemas y Automática Escuela Superior de Ingenieros. Universidad de Sevilla Índice Introducción Reseña histórica Estado actual Fundamentos
Más detallesUnidad V Fuzzy Logic. Maestría en Sistemas Computacionales Clave: MPSCO Créditos Sesiones Sabados Rafael Vázquez Pérez
Unidad V Fuzzy Logic Maestría en Sistemas Computacionales Clave: MPSCO-0108 6 Créditos Sesiones Sabados 10-13 Rafael Vázquez Pérez Agenda Cuando las leyes de la matemática se refieren a la realidad, no
Más detallesMASTER DE INGENIERÍA BIOMÉDICA. Métodos de ayuda al diagnóstico clínico. Tema 7: Lógica Borrosa
MSTER DE INGENIERÍ BIOMÉDIC. Métodos de ayuda al diagnóstico clínico. Tema 7: Lógica Borrosa 1 Objetivos del tema. Conocer cómo se define un conjunto borroso y su importancia de cara a desarrollar sistemas
Más detallesControl borroso de la fuerza del efector de un Brazo Robot
Control borroso de la fuerza del efector de un Brazo Robot Bautista Blasco, Susana: subautis@fdi.ucm.es Garmendia Salvador, Luis: lgarmend@fdi.ucm.es Departamento de Ingeniería del Software e Inteligencia
Más detallesLa lógica borrosa: conjuntos borrosos, razonamiento aproximado y control borroso
La lógica borrosa: conjuntos borrosos, razonamiento aproximado y control borroso Norma V. Ramírez Pérez, Instituto Tecnológico de Celaya normav@itc.mx, Martín Laguna Estrada Departamento de Mecatrónica
Más detallesInteligencia en Redes de Comunicaciones - 05 Razonamiento bajo incertidumbre
El objetivo del Tema 5 es explicar el tratamiento de la incertidumbre en los sistemas de razonamiento software. 1 El razonamiento humano se caracteriza por incluir en numerosas ocasiones componentes de
Más detallesMODELOS DIFUSOS PARA EL ESTUDIO DEL CAMBIO CLIMÁTICO Dr. Carlos Gay García* M. en C. Oscar Sánchez *PINCC UNAM CCA - UNAM Ciudad Universitaria, D.F.
MODELOS DIFUSOS PARA EL ESTUDIO DEL CAMBIO CLIMÁTICO Dr. Carlos Gay García* M. en C. Oscar Sánchez *PINCC UNAM CCA - UNAM Ciudad Universitaria, D.F. 15-19 Octubre 2012 Objetivos: -Presentar un breve antecedente
Más detallesConjuntos Difusos Operaciones sobre Conjuntos Difusos. Conjuntos Difusos. Hugo Franco, PhD. 2 de mayo de 2011
Operaciones sobre 2 de mayo de 2011 Operaciones sobre Cuando se piensa en conjuntos cuyos elementos tienen una función característica que no es binaria, se habla de conjuntos borrosos o difusos µ A :
Más detallesEl Control Difuso o FC, por sus siglas en ingles Fuzzy Control es considerado como la
Capítulo 4 4.1 Introducción El o FC, por sus siglas en ingles Fuzzy Control es considerado como la aplicación más importante de la teoría de lógica difusa. La lógica difusa es una técnica diseñada para
Más detallesLÓGICA FORMAL TEORIAS DE PRIMER ORDEN. Sintaxis y semántica
LÓGICA FORMAL TEORIAS DE PRIMER ORDEN Sintaxis y semántica Pedro López Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Lenguajes de primer orden 1 La lógica
Más detallesControl con Lógica Difusa
Control con Lógica Difusa Introducción a la Lógica Difusa Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando Ornelas
Más detallesMatemáticas Discretas Lógica
Coordinación de Ciencias Computacionales - INAOE Matemáticas Discretas Lógica Cursos Propedéuticos 2010 Ciencias Computacionales INAOE Lógica undamentos de Lógica Cálculo proposicional Cálculo de predicados
Más detallesHoras teoría-horas prácticas-horas trabajo adicional-horas totales-créditos
ASIGNATURA: CONTROL INTELIGENTE I 1. DATOS DE LA ASIGNATURA Nombre de la asignatura: CONTROL INTELIGENTE I Línea de investigación o de trabajo: Horas teoría-horas prácticas-horas trabajo adicional-horas
Más detallesSistemas difusos. Cómo las máquinas imitan el razonamiento impreciso humano. Alberto J. Bugarín Diz
Sistemas difusos Cómo las máquinas imitan el razonamiento impreciso humano Alberto J. Bugarín Diz Centro Singular de Investigación en Tecnoloxías da Información UNIVERSIDADE DE SANTIAGO DE COMPOSTELA citius.usc.es
Más detallesConjuntos difusos. Aplicación al razonamiento aproximado. Alberto J. Bugarín Diz. Centro Singular de Investigación en Tecnoloxías da Información
Conjuntos difusos Aplicación al razonamiento aproximado Alberto J. Bugarín Diz Centro Singular de Investigación en Tecnoloxías da Información UNIVERSIDADE DE SANTIAGO DE COMPOSTELA citius.usc.es Aplicación
Más detallesRazonamiento bajo incertidumbre
Inteligencia en Redes de Comunicaciones Razonamiento bajo incertidumbre Julio Villena Román jvillena@it.uc3m.es Razonamiento humano En el razonamiento humano hay que trabajar con la incertidumbre: la información
Más detallesVelocidad de un auto MPH
Topicos Selectos de Control TF-99-9 Solucion Tarea 4.4 Use los operadores difusos básicos.-. para not, or, and and, respectivamente, determine las funciones de membresía para las proposiciones difusas...
Más detallesLEYES, ESTRUCTURAS BÁSICAS Y COCIENTES LÓGICA DE PROPOSICIONES
Todos los derechos de propiedad intelectual de esta obra pertenecen en exclusiva a la Universidad Europea de Madrid, S.L.U. Queda terminantemente prohibida la reproducción, puesta a disposición del público
Más detallesSistemas de Inferencia Difusa
27 de mayo de 2011 Medidas de Difusidad Denición Dada una función I(A) : P(U) [0, 1], I es una medida de difusidad (ambigüedad) si y sólo si se cumple que I(A) es mínimo para µ A (x i ) = 0 µ A (x i )
Más detallesExperiencias de Aula con Geogebra. Lógica con Geogebra. Elena Álvarez Sáiz
Experiencias de Aula con Geogebra Elena Álvarez Sáiz Dpto. Matemática Aplicada y Ciencias de la Computación Universidad de Cantabria I Índice Introducción Objetivos y contexto Definición y ejemplos Operaciones
Más detallesUn enunciado es toda frase u oración que se emite
OBJETIO 2: Aplicar la lógica proposicional y la lógica de predicados en la determinación de la validez de una proposición dada. Lógica Proposicional La lógica proposicional es la más antigua y simple de
Más detallesLógica Matemática. Operadores Lógicos. Universidad del Azuay - Marcos Orellana Cordero
Lógica Matemática Operadores Lógicos Introducción La lógica proposicional inicia con las proposiciones y los conectores lógicos. A partir de la combinación de dos proposiciones por medio de un conector
Más detallesCoordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo. Contenidos
Coordinación de Matemática I (MAT021) 1 er Semestre de 2013 Semana 1: Lunes 11 Viernes 16 de Marzo Complementos Contenidos Clase 1: Elementos de lógica: Conectivos, tablas de verdad, tautologías y contingencias.
Más detallesM.C. ENRIQUE MARTINEZ PEÑA UNIVERSIDAD POLITECNICA DE VICTORIA
SubTemas 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas de inferencia difusos 1 Tópicos Variables lingüísticas
Más detallesErik Valdemar Cuevas Jiménez (Autor) Daniel Zaldívar Navarro (Autor) Sistemas de Control Neurodifuso Un enfoque utilizando NEFCON
Erik Valdemar Cuevas Jiménez (Autor) Daniel Zaldívar Navarro (Autor) Sistemas de Control Neurodifuso Un enfoque utilizando NEFCON https://cuvillier.de/de/shop/publications/2114 Copyright: Cuvillier Verlag,
Más detallesMC ENRIQUE MARTINEZ PEÑA UNIVERSIDAD POLITECNICA DE VICTORIA
SubTemas 1.1 Introducción al control difuso 1.2 Teoría de conjuntos difusos 1.3 Representación del conocimiento 1.4 Razonamiento aproximado 1.5 Sistemas difusos 1 Tópicos Estructura de un sistema difuso
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que razonan bajo incertidumbre Introducción Repaso de probabilidad
Más detallesLógica Difusa. Parte II. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Lógica Difusa Parte II Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez O FUZZY LOGIC Lógica Fuzzy. De/iniciones. Datos reales (crisp) versus datos difusos
Más detallesTeoremas: Condiciones Necesarias, Condiciones Suficientes y Condiciones Necesarias y Suficientes
FUNCIONES DE VARIABLE COMPLEJA 1 Teoremas: Condiciones Necesarias, Condiciones Suficientes y Condiciones Necesarias y Suficientes Lógica Matemática Una prioridad que tiene la enseñanza de la matemática
Más detallesLógica Difusa. Parte I. Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez
Lógica Difusa Parte I Facultad de Ciencias Exactas y Tecnología Universidad Nacional de Tucumán Mg. Ing. Gustavo E. Juárez LOGICA DIFUSA O FUZZY LOGIC Lógica Fuzzy. De/iniciones. Datos reales (crisp) versus
Más detallesSentencias Cuantificadas Difusas: Aplicaciones a la Fusión de Información
Sentencias Cuantificadas Difusas: Aplicaciones a la Fusión de Información M.D. Ruiz, J. Gómez-Romero, D. Sánchez, M.J. Martin-Bautista 5 de Febrero de 2014 2 Motivación El objetivo de la fusión de información
Más detallesCapítulo 2 El Método de Resolución
Capítulo 2 El Método de Resolución En este capítulo se realiza una descripción general del método de resolución, dado que el programa de razonamiento automático OTTER lo utiliza y prueba a través de refutación.
Más detallesLógica Matemática. Contenido. Definición. Finalidad de la unidad. Proposicional. Primer orden
Contenido Lógica Matemática M.C. Mireya Tovar Vidal Proposicional Definición Sintaxis Proposición Conectivos lógicos Semántica Primer orden cuantificadores Finalidad de la unidad Definición Traducir enunciados
Más detallesAsignación de verdad a FBF
2.2.3. Semántica Asignación del valor cierto o falso a una proposición (simple o compuesta), con independencia de los significados que para nosotros tengan las proposiciones. Asignación de verdad a fórmulas
Más detallesControl con Lógica Difusa
Control con Lógica Difusa Control Difuso Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando Ornelas Tellez UMSNH-FIE
Más detallesLógica Difusa. Lic. Andrea V. Manna
Lógica Difusa Lic. Andrea V. Manna Departamento de Computación Facultad de Ciencias Exactas y Naturales U.B.A. Grupo de Investigación en Agentes y Sistemas Inteligentes C.A.E.T.I. UAI Introducción - Definiciones
Más detalleslogica computacional Tema 1: Introducción al Cálculo de Proposiciones
Tema 1: Introducción al Cálculo de Proposiciones Introducción al concepto de cálculo Un cálculo es una estructura pura; un sistema de relaciones. Un cálculo se compone de lo siguiente: Un conjunto de elementos
Más detallesIndique la respuesta correcta (d=ninguna de las anteriores, e=todas las anteriores)
Parcial 4. Indique la respuesta correcta (d=ninguna de las anteriores, e=todas las anteriores) 1. Inteligencia es: a. La capacidad para combinar información. c. El proceso que permite elaborar conocimiento.
Más detallesMC ENRIQUE MARTINEZ PEÑA UNIVERSIDAD POLITECNICA DE VICTORIA
Tópicos Conjuntos clásicos Conjuntos difusos Conjuntos difusos más comunes Operaciones con conjuntos difusos Complemento de un conjunto difuso Unión de conjuntos difusos Intersección de conjuntos difusos
Más detallesCONJUNTOS DIFUSOS. Aspectos generales Nomenclatura Estructura algebraica Operaciones algebraicas Representación del conocimiento Razonamiento difuso
CONJNTOS DIFSOS spectos generales Nomenclatura Estructura algebraica Operaciones algebraicas Representación del conocimiento Razonamiento difuso CONJNTOS DIFSOS Tetos ásicos Lofti Zadeh, Fuzzy Sets, Information
Más detallesOTRAS OPCIONES DE PREDICCIÓN
OTRAS OPCIONES DE PREDICCIÓN Incertidumbre se refiere a la toma de decisiones sin contar con la información adecuada. Es un problema porque nos impide tomar la mejor decisión y muy frecuentemente nos
Más detallesUna introducción a la Lógica Borrosa Matemática
Una introducción a la Lógica Borrosa Matemática Marco Cerami Instituto de Investigación en Inteligencia Artificial (IIIA - CSIC) Bellaterra (Spain) cerami@iiia.csic.es SIMBa, 14 Febrero 2011 Marco Cerami
Más detallesCONJUNTOS DIFUSOS JHS
CONJUNTOS DIFUSOS JHS 1.- INTRODUCCION La lógica fuzzy, difusa, borrosa, nebulosa,, fue expuesta por Lofti Zadeh (USA) en 1965 para modelar la manera en que las personas resuelven sus problemas cotidianos
Más detallesCaso de estudio: Sistema de toma de decisiones
5 Caso de estudio: Sistema de toma de decisiones En este capítulo se tomarán todas las celdas presentadas anteriormente, para la implementación de un sistema difuso de toma de decisiones. Esta estructura
Más detallesCIENCIAS FORMALES CIENCIAS FÁCTICAS
UNA CLASIFICACIÓN DE LAS CIENCIAS CIENCIAS FORMALES CIENCIAS FÁCTICAS CIENCIAS FORMALES MATEMÁTICA LÓGICA CIENCIAS FÁCTICAS FÍSICA BIOLOGÍA QUÍMICA CIENCIAS SOCIALES OTRAS CIENCIAS FORMALES VOCABULARIO
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales MEJORAMIENTO DE LA IMAGEN Procesamiento difuso INTRODUCCIÓN Un conjunto es una colección de objetos o elementos. Teoría de conjuntos trata de las herramientas para realiar
Más detallesALGEBRA y ALGEBRA LINEAL. Primer Semestre CAPITULO I LOGICA Y CONJUNTOS.
ALGEBRA y ALGEBRA LINEAL 520142 Primer Semestre CAPITULO I LOGICA Y CONJUNTOS. DEPARTAMENTO DE INGENIERIA MATEMATICA Facultad de Ciencias Físicas y Matemáticas Universidad de Concepción 1 La lógica es
Más detallesINSTITUTO TECNOLOGICO DE NUEVO LAREDO
SEP DGIT INSTITUTO TECNOLOGICO DE NUEVO LAREDO INGENERIA EN SISTEMAS COMPUTACIONALES MATERIA: INTELIGENCIA ARTIFICIAL MAESTRO: ING. BRUNO LOPEZ TAKEYAS NOMBRES: REPORTE DE PRACTICA Ylliana Samantha Anderson
Más detallesApuntes de Lógica Proposicional
Apuntes de Lógica Proposicional La lógica proposicional trabaja con expresiones u oraciones a las cuales se les puede asociar un valor de verdad (verdadero o falso); estas sentencias se conocen como sentencias
Más detallesTEMA 1: LÓGICA. p p Operador conjunción. Se lee y y se representa por. Su tabla de verdad es: p q p q
TEMA 1: LÓGICA. Definición. La lógica es la ciencia que estudia el razonamiento formalmente válido. Para ello tiene un simbolismo que evita las imprecisiones del lenguaje humano y permite comprobar la
Más detallesGuía de estudio Algunos aspectos de lógica matemática Unidad A: Clases 1 y 2
Guía de estudio Algunos aspectos de lógica matemática Unidad A: Clases 1 y 2 Camilo Ernesto Restrepo Estrada, Félix Ruiz de Villalba, Lina María Grajales Vanegas y Sergio Iván Restrepo Ochoa *. 1. Lógica
Más detallesDepartamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid
LÓGICA FORMAL Lógica Proposicional: Teorema de Efectividad Departamento de Inteligencia Artificial Facultad de Informática Universidad Politécnica de Madrid Lógica Proposicional 1 La lógica proposicional
Más detallesMemorias Asociativas Borrosas (FAM)
Memorias Asociativas Borrosas (FAM) Diego Milone y Leandro Di Persia Inteligencia Computacional Departamento de Informática FICH-UNL Organización Introducción Memorias asociativas borrosas Fuzzyfication
Más detallesFirst Page UAEH. Lógica Difusa. Go Back. Oscar Zatarain Vera. Goto Page. 18 de mayo de Full Screen. Close. Quit
UAEH Lógica Difusa Oscar Zatarain Vera 18 de mayo de 2011 Índice First Page 1. Introducción 3 2. Algo de Historia acerca de Lógica Difusa 5 3. Conceptos básicos de Lógica Difusa 9 3.1. Qué es un predicado?........................
Más detallesMaterial diseñado para los estudiantes del NUTULA, alumnos del profesor Álvaro Moreno.01/10/2010 Lógica Proposicional
Lógica Proposicional INTRODUCCIÓN El humano se comunica con sus semejantes a través de un lenguaje determinado (oral, simbólico, escrito, etc.) construido por frases y oraciones. Estas pueden tener diferentes
Más detallesAnálisis lógico Cálculo de proposiciones
Sintaxis Semántica Sistemas de demostración Análisis lógico Cálculo de proposiciones Departamento de Matemáticas Facultad de Ciencias, UNAM E-mail: fhq@ciencias.unam.mx Página Web: www.matematicas.unam.mx/fhq
Más detalles2 Espacios vectoriales
Águeda Mata y Miguel Reyes, Dpto. de Matemática Aplicada, FI-UPM 1 2 Espacios vectoriales 2.1 Espacio vectorial Un espacio vectorial sobre un cuerpo K (en general R o C) es un conjunto V sobre el que hay
Más detallesLógica Proposicional. Cátedra de Matemática
Lógica Proposicional Cátedra de Matemática Abril 2017 Qué es la lógica proposicional? Es la disciplina que estudia métodos de análisis y razonamiento; utilizando el lenguaje de las matemáticas como un
Más detallesMYCIN es un sistema experto desarrollado a principios de la década de 1970 por Edward Shortliffe, en la Universidad de Stanford.
MYCIN es un sistema experto desarrollado a principios de la década de 1970 por Edward Shortliffe, en la Universidad de Stanford. Sentó las bases para la construcción de sistemas expertos. Inicialmente
Más detallesLógica Matemática, Sistemas Formales, Cláusulas de Horn
Lógica Matemática, Sistemas Formales, Cláusulas de Horn Lic. José Manuel Alvarado La lógica se ocupa de las argumentaciones válidas. Las argumentaciones ocurren cuando se quiere justificar una proposición
Más detalles2.1. Introducción Lógica: Campo del conocimiento relacionado con el estudio y el análisis de los métodos de razonamiento. El razonamiento lógico es es
Tema 2. Introducción a la lógica 1. Introducción 2. Lógica de proposiciones 1. Definiciones 2. Sintaxis 3. Semántica Bibliografía Matemática discreta y lógica. Grassman y Tremblay. 1997. Prentice Hall.
Más detalles