Introducción a Sistemas Difusos Tipo-2
|
|
- Héctor Jaime Salas Ortiz de Zárate
- hace 5 años
- Vistas:
Transcripción
1 Introducción a Sistemas Difusos Tipo-2 Luis G. Marín Departamento de Ingeniería Eléctrica Universidad de Chile EL L. Marin & D. Sáez 1
2 Modelo computacional Sistemas Difusos Base de reglas x Entradas puntuales Fusificador Defusificador Salidas puntuales y Conjuntos Difusos De entrada Inferencia Conjuntos Difusos De salida EL L. Marin & D. Sáez 2
3 Opciones de construcción x Fusificador Inferencia Defusificador y Singleton Non-singleton Funciones de pertenencia: Triangulares Trapezoidales Guassianas. T-normas: Producto Mínimo. S-normas: Máximo Suma.. Centroide Centroide discreto Promedio de centros Máximo de centros.. EL L. Marin & D. Sáez 3
4 Incertidumbre, funciones de pertenencia y conjuntos difusos tipo dos EL L. Marin & D. Sáez 4
5 La incertidumbre y sus múltiples facetas. En el dominio empírico, la incertidumbre aparece asociada a los errores y resoluciones en los instrumentos de medición. En un dominio cognoscitivo, la incertidumbre emerge de la vaguedad y la ambigüedad del lenguaje natural. ej. El café está como tibio ej. Por favor llegue temprano. EL L. Marin & D. Sáez 5
6 Incertidumbre y sistemas difusos Incertidumbre en el significado de las palabras que se usan en las reglas. Incertidumbre en los consecuentes que son usados en las reglas. Incertidumbre en las medidas. Incertidumbre en los datos empleados para diseñar el sistema difuso. EL L. Marin & D. Sáez 6
7 Incertidumbre y sistemas difusos La lógica difusa tipo uno maneja la incertidumbre acerca de los significados de las palabras por medio de funciones de pertenencia precisas. La incertidumbre asociada a la definición de las palabras se relaciona con la vaguedad. EL L. Marin & D. Sáez 7
8 Conjuntos difusos tipo dos EL L. Marin & D. Sáez 8
9 Motivación Experto su definición de adecuada (Etiqueta lingüistica) Temperatura ( C ) Variable Lingüistica Generalmente las palabras (Etiquetas lingüisticas) tienen significados difusos EL L. Marin & D. Sáez 9
10 Motivación Experto (1) adecuada Experto (2) adecuada Experto (M) adecuada EL L. Marin & D. Sáez 10
11 Motivación µ ( x, u) = 0.1 µ ( x, u) = 0.5 µ ( x, u ) = 1 EL L. Marin & D. Sáez 11
12 Motivación Experto Fenómeno "Ruidoso" Puede ser difícil definir una función de pertenencia. La función toma un aspecto borroso. EL L. Marin & D. Sáez 12
13 Motivación Se asigna una distribución de amplitud El experto trata de modelar el aspecto borroso... EL L. Marin & D. Sáez 13
14 Un conjunto difuso tipo dos Se emplea un conjunto difuso tipo uno cuando la pertenencia de un elemento no se puede definir en uno o en cero. Si las circunstancias son tan borrosas, que incluso hay problemas para definir el grado de pertenencia como un valor puntual, se usa entonces un conjunto difuso tipo dos. EL L. Marin & D. Sáez 14
15 Conceptos asociados a. Función de pertenencia Gaussiana b. Incertidumbre alrededor de la función de pertenencia c. Huella de incertidumbre EL L. Marin & D. Sáez 15
16 Conjunto difuso tipo dos EL L. Marin & D. Sáez 16
17 Conjuntos difusos tipo dos de intervalo Cuando todos los grados secundarios de un conjunto difuso tipo dos tienen valor de uno, este conjunto recibe el nombre de conjunto difuso tipo dos de intervalo. Un conjunto difuso tipo dos de intervalo se representa correctamente en dos dimensiones. EL L. Marin & D. Sáez 17
18 Huella de incertidumbre La unión de todas las pertenencias primarias se denomina Huella de incertidumbre. a. Huella de incertidumbre b. Funciones de pertenencia secundarias en x 1 y x 2 Tomado de : J. Mendel, Uncertain rule-based fuzzy logic systems, Prentice-Hall, 2001 EL L. Marin & D. Sáez 18
19 Ejemplos de huellas de incertidumbre Gaussiana con desviación estandar fija y valor medio "incierto" Gaussiana con valor medio fijo y desviación estandar "incierta" Forma triangular EL L. Marin & D. Sáez 19
20 Funciones de pertenencia superior e inferior 1.0 Función de pertenencia superior Función de pertenencia inferior EL L. Marin & D. Sáez 20 x
21 Construcción de las funciones de pertenencia limite 1. Capture la vaguedad en el problema por medio de una función de pertenencia tipo uno. 2. Obtenga los parámetros de la función de pertenencia. 3. Identifique la incertidumbre anexa 4. Identifique como esta incertidumbre anexa afecta los parámetros de la función de pertenencia. 5. Proponga una huella de incertidumbre EL L. Marin & D. Sáez 21
22 Ejemplo 1.0 Max (u1,u2,u3,u4) Max (u1,u2,u3,u4) U Min (u1,u2,u3,u4) EL L. Marin & D. Sáez 22
23 Operaciones en conjuntos difusos tipo uno Sean A y B dos conjuntos difusos sobre el universo discurso Y, caracterizados por las funciones de pertenencia ua(y) y ub(y) respectivamente. A continuación se presentarán las funciones de pertenencia correspondientes a los conjunto s unión e intersección entre A y B. EL L. Marin & D. Sáez 23
24 Unión de dos conjuntos difusos tipo uno ua(y) ua U B (y) ub(y) Y Y Y ua U B (y) = max [ua(y), ub(y)] EL L. Marin & D. Sáez 24
25 Intersección de dos conjuntos difusos tipo uno ua(y) ua U B (y) ub(y) Y Y Y ua n B (y) = min [ua(y), ub(y)] EL L. Marin & D. Sáez 25
26 Complemento de un conjunto difuso tipo uno ua(y) ua(y) Y Y ub(y) ub(y) Y Y ub(y)= 1- ub(y) EL L. Marin & D. Sáez 26
27 Operaciones en conjuntos difusos tipo dos ua U B (y) x y Suponga que se tienen dos conjuntos difusos tipo dos de intervalo, Cómo es la huella de incertidumbre para la unión, intersección y complemento? El problema radica en que por cada elemento del conjunto se tienen múltiples valores de pertenencia dado que se ha considerado incertidumbre EL L. Marin & D. Sáez 27 x y
28 Conjuntos difusos tipo dos de intervalo Todos los valores de pertenencia secundarios valen uno, por tanto se anticipa el resultado del principio de extensión. Tan solo es necesario operar los límites del intervalo. La carga computacional se reduce! EL L. Marin & D. Sáez 28
29 Unión, intersección y complemento. Unión Para cada x : Lim superior := máximo de limites superiores. Lim inferior := máximo de limites inferiores. Intersección. Para cada x: Lim superior := mínimo de limites superiores Lim inferior := mínimo de limites inferiores Complemento Para cada x: Lim superior := complemento del limite superior Lim inferior := complemento EL L. del Marin limite & D. Sáez inferior. 29
30 Ejemplo ua U B (y) x x UNION EL L. Marin & D. Sáez 30
31 Ejemplo x x Intersección EL L. Marin & D. Sáez 31
32 Ejemplo x Complemento EL L. Marin & D. Sáez 32
33 Modelo computacional de un sistema difuso tipo dos de intervalo Fuzzification Inference Engine Type Reduction Defuzzification Arithmetic section Logical section Rule base Type-0 ( Crisp point) Type-1 fuzzy set Type-2 fuzzy set EL L. Marin & D. Sáez 33
34 Fusificación Fusificación singleton tipo x 1 Valor de pertenencia superior (UMV) Valor de pertenencia inferior (LMV) EL L. Marin & D. Sáez 34
35 Inferencia con incertidumbre Implicación x1 MIN f i x2 MIN AND f i Output EL L. Marin & D. Sáez 35
36 Inferencia con incertidumbre Agregación de reglas R 1 R 2 EL L. Marin & D. Sáez 36
37 Centroide generalizado de un conjunto difuso tipo dos de intervalo En una huella de incertidumbre hay infinitos conjuntos difusos tipo uno empotrados. A cada conjunto difuso empotrado le corresponde un centroide que lo Representa Por tanto habría infinitos centroides Proyectados sobre y. Sin embargo estos centroides están Acotados (c l,c r ) c l c r EL L. Marin & D. Sáez 37
38 Conjuntos Frontera C l = min ( todos los centroides de ls conjuntos difusos empotrados en B) Donde y i son los puntos resultantes de discretizar y EL L. Marin & D. Sáez 38
39 Conjuntos Frontera C r = max( todos los centroides de los conjuntos difusos tipo uno empotrados en B) EL L. Marin & D. Sáez 39
40 Algoritmo iterativo de Karnik-Mendel Reductor de tipo centroide. Suponiendo que el conjunto Difuso tipo dos de intervalo Es el resultado de un proceso De inferencia : Discretice B en M términos Obtenga y i Para cada y i obtenga fu i : cota superior de la pertenencia primaria de y i fl i : cota inferior de la pertenencia primaria de y i fm i : valor medio de la pertenencia primaria fl i fu i y i fm i = (fu i +fl i )/2 EL L. Marin & D. Sáez 40
41 Algoritmo KM c l M i= 1 = M f i= 1 i l f y i l i 1. Calcule c l inicialmente haciendo f li igual a fm i. Haga c l* = c l 2. Encuentre L ( 1 L M-1) tal que y L c l y L+1 3. Calcule c l con f li =fu i para i L y f li = fl i para i > L. sea c ** l =c l 4. Si c l* = c ** l finalice y haga c l = c l **. Si no, vaya al paso cinco. 5. Haga c l * igual a c ** l y retorne al paso dos. EL L. Marin & D. Sáez 41
42 Algoritmo KM Sentido de búsqueda EL L. Marin & D. Sáez 42
43 Algoritmo KM Sea c r c r i M = 1 = M f i= 1 i r f y i r i 1. Calcule c r inicialmente haciendo f ri igual a fm i. Haga c r* = c r 2. Encuentre R ( 1 R M-1) tal que y R cr y R+1 3. Calcule c r con f ri =fl i para i R y f ri = fu i para i > R. sea c ** r =c r 4. Si c r* = c ** r finalice y haga c r = c r **. Si no, vaya al paso cinco. 5. Haga c r * igual a c ** r y retorne al paso dos. EL L. Marin & D. Sáez 43
44 Algoritmo KM Sentido de búsqueda EL L. Marin & D. Sáez 44
45 Defusificación La salida de un sistema difuso tipo dos de intervalo es un valor puntual, el cual se calcula como : Yout = ( c l + c r )/2 c l c r Yout EL L. Marin & D. Sáez 45
LÓGICA 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 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 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 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 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 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 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 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 detallesUNIVERSIDAD DE FUERZAS ARMADAS ESPE DEPARTAMENTO DE ELÉCTRICA Y ELECTRÓNICA ASIGNATURA: CONTROL INTELIGENTE
UNIVERSIDAD DE FUERZAS ARMADAS ESPE DEPARTAMENTO DE ELÉCTRICA Y ELECTRÓNICA ASIGNATURA: CONTROL INTELIGENTE Actividad No 22. La máquina de inferencia del control difuso Fecha: 7 de Julio de 2014 Nombre
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 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 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 detallesConfiguración y Programación del Controlador
CAPÍTULO 6 Configuración y Programación del Controlador Difuso Una vez que el Robot UDLAP está totalmente construido en el ambiente de simulación y es posible observar su representación grafica, el siguiente
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 detallesUNL - FICH - Departamento de Informática - Ingeniería en Informática. Inteligencia Computacional. Guía de trabajos prácticos 3.
UNL - FICH - Departamento de Informática - Ingeniería en Informática Inteligencia Computacional Guía de trabajos prácticos 3 Sistemas borrosos. Objetivos Implementar todas las etapas necesarias para la
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 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 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 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 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 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 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 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 detallesMODELO DE GESTIÓN DEL CONOCIMIENTO BASADO EN REGLAS DIFUSAS PARA EVALUAR EL DESEMPEÑO LABORAL
7 MODELO DE GESTIÓN DEL CONOCIMIENTO BASADO EN REGLAS DIFUSAS PARA EVALUAR EL DESEMPEÑO LABORAL Autora: Dra. Mery Morales C. E-mail: merymoralescuellar@gmail.com Asesor: Dr. Guillermo Mamani A. Resumen
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 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 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 detallesControl con Lógica Difusa
Control con Lógica Difusa Teoría Conjuntos Difusos: Dr. Fernando Ornelas Tellez Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica Morelia, Michoacan Dr. Fernando Ornelas
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 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 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 Variables Lingüisticas Funciones de Membresía BIOFAM Ejemplo 1. IA: Lógica Difusa. M. en I. Pedro Alfonso PATLAN-ROSALES
IA: Lógica Difusa M. en I. Pedro Alfonso PATLAN-ROSALES Universidad de Guanajuato - DICIS 4/07/2014 Introducción (1) Motivación Una de las principales ventajas de la lógica difusa sobre la lógica convencional,
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 detallesDIDÁCTICA DE TEMPERATURA
DISEÑO E IMPLEMENTACIÓN DE UN CONTROL DIFUSO PARA UNA ESTACIÓN DIDÁCTICA DE TEMPERATURA Universidad Tecnológica de Pereira Facultad de Tecnologías Presentado por: Carlos Andrés Murillo Montaño Jorge Hernán
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 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 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 detallesPROTOTIPO PARA LA SOLUCIÓN DEL CONTROL DE PRESIÓN DE UNA CALDERA PIROTUBULAR MEDIANTE COMPUTACIÓN INTELIGENTE
PROTOTIPO PARA LA SOLUCIÓN DEL CONTROL DE PRESIÓN DE UNA CALDERA PIROTUBULAR MEDIANTE COMPUTACIÓN INTELIGENTE PROTOTYPE FOR THE SOLUTION OF PRESSURE CONTROL THROUGH AN INTELLIGENT COMPUTER shell boiler
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 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 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 detallesDiseño de un controlador de temperatura difuso
Diseño de un controlador de temperatura difuso Yesid Santafé Ramón* * Ingeniero Electrónico. Docente programa de Ingeniería Electrónica, UNISANGIL yesidsantafe@hotmail.com Resumen El sistema de control
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 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 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 detallesDISTRIBUCIONES DE PROBABILIDAD
DISTRIBUCIONES DE PROBABILIDAD VARIABLE ALEATORIA Una variable x valuada numéricamente varía o cambia, dependiendo del resultado particular del experimento que se mida. Por ejemplo, suponga que se tira
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 detallesCONTROL DE UN MODELO AERODINAMICO APLICANDO SISTEMAS DIFUSOS
CONTROL DE UN MODELO AERODINAMICO APLICANDO SISTEMAS DIFUSOS Marco A Pineda Cando., Atal K. Vivas Paspuel, Yadira L Bravo Narváez. ing_mapc@hotmail.com, yadibravoec@yahoo.com.mx RESUMEN: Este trabajo se
Más detallesCONTROL Y ROBÓTICA Felipe Espinosa Departamento de Electrónica Universidad de Alcalá
HISPABOT - 2006 CONTROL Y ROBÓTICA Felipe Espinosa Departamento de Electrónica Universidad de Alcalá 1 Control y robótica: Índice Consideraciones previas Control de actuadores Seguimiento de trayectorias
Más detallesComparación entre un Controlador Difuso y un Controlador PID para un Motor Universal
ENGI Revista Electrónica De La Facultad De Ingeniería Vol. 1 No. 2 Julio Año 1 ISSN 2256-5612 Comparación entre un Controlador Difuso y un Controlador PID para un Motor Universal Díaz J, Muñoz F Resumen
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 detallesApéndice C. Simulación Controlador Difuso en MATLAB
Apéndice C Simulación Controlador Difuso en MATLAB Para comprobar el correcto funcionamiento del controlador difuso diseñado en el capítulo 2 y programado en el PLC que se muestra en el Apéndice A, se
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 detallesV. DISEÑO DEL SISTEMA DE AUTOMATIZACIÓN NEURO-DIFUSO
V. DISEÑO DEL SISTEMA DE AUTOMATIZACIÓN NEURO-DIFUSO La figura 5.1 presenta el Sistema General de la Grúa Automatizada, constituido por: el Sistema de Automatización Neuro-difuso y el Simulador de la Grúa.
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 detallesLa simulación correspondiente al control que se empleará en el convertidor SMC de 3X2
Capítulo 5 Simulación en MATLAB 5.1 Introducción La simulación correspondiente al control que se empleará en el convertidor SMC de 3X2 se desarrolló con el software MATLAB. Dicho software presenta un apartado
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 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 detallesSimulación de un controlador difuso mediante Matlab
Control Inteligente Práctica 7 Simulación de un controlador difuso mediante Matlab José Gerardo Gomez,Diego Vallejo, Amarelis Quijano Mayo 22, 2015 Resumen En el presente documento se muestra el proceso
Más detallesRAZONAMIENTO 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 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 detallesÁrboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap)
Práctico 4 Árboles balanceados (AVL) Tablas de dispersión (Hash) Colas de prioridad (Heap) Clasificación de ejercicios: (I) Imprescindibles (R) Recomendados (C) Complementarios Árboles balanceados (AVL)
Más detallesPara tomar decisiones se requiere INFORMACIÓN disponible, esperanzadamente confiable y útil.
Tomar decisiones es una gran responsabilidad. Para tomar decisiones se requiere INFORMACIÓN disponible, esperanzadamente confiable y útil. Generalmente se necesita una porción de la base de datos o muestra
Más detalles5. ESTRUCTURAS DE REPETICIÓN
5. ESTRUCTURAS DE REPETICIÓN Las estructuras de repetición, permiten la ejecución de una lista o secuencia de instrucciones () en varias ocasiones. El número de veces que el bloque
Más detallesFACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA INTRODUCCION A LA INTELIGENCIA ARTIFICIAL L.C.C. PRACTICA RA 2007
FACULTAD DE CIENCIAS EXACTAS, INGENIERIA Y AGRIMENSURA INTRODUCCION A LA INTELIGENCIA ARTIFICIAL L.C.C. PRACTICA RA 2007 1. En el ejemplo sobre la alarma que plantea Norvig & Russell (pag 465 - presentación
Más detallesRAZONAMIENTO APROXIMADO
RAZONAMIENTO APROXIMADO Sistemas Difusos (Fuzzy Systems) Introducción a la Inteligencia Artificial LCC RAZONAMIENTO APROXIMADO (RA) Trata como REPRESENTAR COMBINAR y REALIZAR INFERENCIAS con conocimiento
Más detallesESTIMACIÓN DE LOS FLUJOS DE REMESAS
ESTIMACIÓN DE LOS FLUJOS DE REMESAS ASOCIADOS A CORREDORES MIGRATORIOS EN CONDICIONES DE INCERTIDUMBRE: EL CASO DE ECUADOR Doctorando P. Campoy Muñoz Directores Dr. C.R. García & Dra. M. Salazar & Dr.
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 detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) SYLLABO
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS (Universidad del Perú, DECANA DE AMÉRICA) FACULTAD DE INGENIERIA DE SISTEMAS E INFORMATICA Escuela Académico Profesional de Ingeniería de Sistemas 1. ESPECIFICACIONES
Más detallesSistemas Control Embebidos e Instrumentación Electrónica UNIVERSIDAD EAFIT Semestre 2010/2 2009/2
Lógica difusa Semestre 2010/2 Bibliografía básica (módulo sistemas Difusos) Neuro-Fuzzy and soft computing, J.S. Roger Jang, C. Tsai Sun, Eiji Mizutami, Prentice Hall, 1997. Learning and soft computing:
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 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 detallesLógica Computacional. Aritmética binaria
Lógica Computacional Aritmética binaria Aritmética binaria - Suma Para sumar dos (o más) números en sistema binario seguimos el mismo procedimiento que para sistema decimal, teniendo en cuenta que: 1 +
Más detallesEstructuras de Repetición
1 Estructuras de Repetición 2013 Transversal de Programación Básica Proyecto Curricular de Ingeniería de Sistemas 2 Objetivos Aprender a construir grandes y complejos problemas a través de la ejecución
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 detallesControlador Difuso Para Brazo Robótico
Controlador Difuso Para Brazo Robótico En la mayoría de los procesos industriales, se emplean sistemas de control PID para gobernar la operación de la maquinaria. Generalmente la finalidad es manejar los
Más detallesCaso de Estudio: Sistema de Toma de Decisiones
7 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 desiciones. Esta estructura
Más detallesGENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS
GENERACION DE NUMEROS ALEATORIOS Y VARIABLES ALEATORIAS La simulación de eventos se basa en la ocurrencia aleatoria de los mismos, por ello los números aleatorios y las variables aleatorias son de especial
Más detallesCARTA DESCRIPTIVA (FORMATO MODELO EDUCATIVO UACJ VISIÓN 2020)
CARTA DESCRIPTIVA (FORMATO MODELO EDUCATIVO UACJ VISIÓN 2020) I. Identificadores de la asignatura Instituto: IIT Modalidad: Presencial Departamento: Materia: Ingeniería Eléctrica y Computación Sistemas
Más detallesINGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: ENERO DE
Más detallesMÓDULO I. TEORÍA DE LA PROBABILIDAD
UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
Más detallesAplicación de la lógica difusa tipo dos en una planta didáctica en control
Aplicación de la lógica difusa tipo dos en una planta didáctica en control de procesos industriales, respecto de las variables nivel y flujo Gustavo Adolfo Díaz* gustavo.diaz@sena.edu.co Jesús Alfonso
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 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 detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesEstimación de Parámetros. Jhon Jairo Padilla A., PhD.
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: Estimación de Parámetros Prueba de Hipótesis Estimación de
Más detallesPROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA
UNIDAD 1 PROBABILIDAD E INFERENCIA ESTADÍSTICA TEMA 3: DISTRUBUCIONES DE PROBABILIDAD CONTINUA Variables aleatorias continuas = función de densidad de probabilidad 1 Variables aleatorias continuas = función
Más detalles1. Análisis de Conglomerados
1. Análisis de Conglomerados El objetivo de este análisis es formar grupos de observaciones, de manera que todas las unidades en un grupo sean similares entre ellas pero que sean diferentes a aquellas
Más detallesCONTROL DE ph PARA ÁCIDOS FUERTES Y BASES FUERTES A 0,1 MOLAR
UNIVERSIDAD DE LA Ingenierías & Amazonia 4(2), 211 AMAZONIA CONTROL DE ph PARA ÁCIDOS FUERTES Y BASES FUERTES A,1 MOLAR Dubier Andrés Pamo Leal, Ermes Guarnizo Motta, Luis Gabriel Marín Collazos & Lis
Más detallesUncertainty Systems (Fuzzy Systems) Ia-4002
Uncertainty Systems (Fuzzy Systems) Ia-4002 Rogelio Soto Centro de Sistemas Inteligentes ITESM, Campus Monterrey http://homepages.mty.itesm.mx/rsoto rsoto@itesm.mx Sistemas Difusos: Programa Sintético
Más detallesRECTIFICACIÓN DE DOCUMENTOS USANDO CONJUNTOS FUZZY Y OPERACIONES MORFOLÓGICAS.
RECTIFICACIÓN DE DOCUMENTOS USANDO CONJUNTOS FUZZY Y OPERACIONES MORFOLÓGICAS. Procesamiento Imágenes Digitales Grupo 1 Autores: María José Casuso Segovia José María Marquez Toro Víctor Zamora Roldán 1.
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 detallesUNIVERSIDAD DE GUANAJUATO
UNIVERSIDAD DE GUANAJUATO División de Ingenierías Campus Irapuato-Salamanca MODELADO DE SISTEMAS DIFUSOS DE MÚLTIPLES ENTRADAS Y SALIDAS TESIS PROFESIONAL PARA OBTENER EL TÍTULO DE: INGENIERO EN COMUNICACIONES
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detallesUNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN
UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE INGENIERÍA MECÁNICA Y ELÉCTRICA ESTUDIOS DE FLUJOS DIFUSOS EN SISTEMAS ELÉCTRICOS DE POTENCIA Por LUIS ALBERTO ZATARAIN MORÚA Como requisito parcial para
Más detallesUniversidad Autónoma del Estado de México Licenciatura de Ingeniero Químico Programa de Estudios: Probabilidad y Estadística
Universidad Autónoma del Estado de México Licenciatura de Ingeniero Químico 2003 Programa de Estudios: Probabilidad y Estadística I. Datos de identificación Licenciatura Ingeniero Químico 2003 Unidad de
Más detalles