LÓGICA BORROSA.

RAZONAMIENTO CON
CAMPUS DIGITAL
INCERTIDUMBRE-VAGUEDAD
PLAN CAPACITACIÓN DIGITAL CM

Tema 04.5 . Grupo 83M

Departamento de Informática
Universidad Carlos III de Madrid
 En general la complejidad y la precisión guardan una relación inversa
entre si, en el sentido de que a medida que aumenta la complejidad de
un problema, la posibilidad de analizarlo en términos precisos
disminuye. Por tanto el “razonamiento difuso” puede no ser
deplorable, si hace posible la solución de problemas demasiado
complejos para un análisis preciso.

Lotfi Zadeh (1921 - 2017)

matemático, científico e ingeniero
 1 BORROSIDAD
▪ Modelar la vaguedad
▪ Conjuntos borrosos
▪ Operadores

2 REPRESENTACIÓN
▪ De la lógica booleana a la borrosa
▪ Proposiciones borrosas

3 INFERENCIA
ÍNDICE ▪ Método Mandani
▪ Otros métodos de inferencia

4 DISEÑO DE SISTEMAS
 ➢ Las situaciones reales suelen requerir vaguedad en las afirmaciones.
➢ Se puede representar utilizando lógica borrosa para los hechos. Éstos dejan
de tener un valor de verdad binario
RESUMEN

➢ La función de pertenencia µF (X ) determina el grado de pertenencia del

objeto X al concepto borroso F
➢ Las reglas de inferencia borrosas se definen mediante operaciones de
conjuntos borrosos: intersección (AND), unión (OR) y complemento (NOT),
de forma que se comporten de forma análoga a las reglas de lógica
convencional
➢ Los sistemas borrosos tipo Mamdani se implementan combinando tres
etapas: borrosificación, razonamiento borroso y deborrosificación.
1. BORROSIDAD
 Técnicas IA: Tareas típicas: toma de decisiones, clasificación, predicción, . . . .
Cuando el conocimiento está Si disponemos de un conocimiento Observamos que el mundo real
disponible usamos de lógica insuficiente necesitamos un además de incierto es dinámico en
clásica: satisfacción proposicional, formalismo para representar el tiempo y necesitamos un
verificación de circuitos, sistemas incertidumbre en cuanto a la modelo para representar la
MODELAR LA VAGUEDAD

de producción, etc verdad o falsedad: Cálculo de incertidumbre en función del

Probabilidades. Redes Bayesianas tiempo: Cálculo de Probabilidades.
Modelos de Markov

En situaciones reales, las

El conocimiento puede venir dado por los expertos de forma
proposiciones no son
vaga:
necesariamente ciertas o falsas, sino
➢ Si la parcela está cerca del metro o del tren y tiene buenas
que los conceptos tienen un
vistas,
imprecisión del concepto - cierto
entonces el precio será elevado
grado definición:
➢ Pero si la parcela está en una zona muy ruidosa, entonces el
precio será reducido
➢ X es alto o bajo .. Hace calor
➢ La parcela está muy cerca del metro, lejos del tren, tiene
➢ Este concepto se puede visualizar
vistas regulares y hay un nivel de ruido alto. ¿El precio será
con la paradoja del montón de
barato o caro?
arena: dos o tres granos no son un
montón, un millón de granos sí; si
Se requiere
se añade grano a grano,
➢ Comparar términos vagos.
¿cuándo se tiene un montón?
➢ Combinar varias reglas vagas.
➢ Propagar incertidumbre.
Incertidumbre en cuanto al grado de
➢ Decidir sobre antecedentes compuestos.
verdad o falsedad: Lógica borrosa o
fuzzy
 Aplicaciones:

Controladores: conducción autónoma, robots, etc. (Fuzzy Controllers)

➢ no hace falta modelar/simular el sistema físico
➢ requieren menos reglas

Sistemas expertos y toma de decisiones (Fuzzy Knowledge Based Systems)

APLICACIONES

➢ Se codifican las reglas “de sentido común”

Introducción general: [Link]

Aplicación: [Link]

Diseño de controlador: [Link]

Conducción: http:
//[Link]/game/heavy-duty-truck-parking
[Link]
 Razonamiento probabilístico vs Razonamiento difuso

▪ Sean X: todos los líquidos, L: líquidos potables, L  X

▪ Supongamos encontramos botellas, A y B
A: pertenencia a L de 0.9
B: probabilidad de L de 0.9
EJEMPLO

¿Qué botella elegirías beber?

▪ Pertenencia 0.9 siginifica muy similar a líquidos Efecto evidencia: al abrir la botella, observamos
potables cerveza en A, lejía en B
Podría ser agua de un pozo
▪ Probabilidad 0.9 es diferente: ➢ La probabilidad a posteriori de B en L cae a cero,
90% potable and 10% no potable (dañino, pero la pertenencia de A no se modifica
incluso venenoso) ➢ La probabilidad mide lo verosímil de un suceso
futuro, la borrosidad caracteriza la ambigüedad
de sucesos actuales
 Evolución
Motivación:
➢ 1965 Zadeh; Conjuntos Borrosos
➢ Las cosas no son o blancas o negras.
➢ 1973 Zadeh; Controladores Borrosos
➢ Pocos problemas están bien definidos.
➢ 1974 Mamdani; Control de Cementeras
➢ Las cosas cambian con el tiempo.
➢ 1987 Hitachi; Frenado Metro Senday
CONJUNTOS BORROSOS

➢ 1989 Creación de LIFE (Laboratory for International

Enginerring Research)

Teoría de Conjuntos y la Lógica de Predicados Teoría de Conjuntos Borrosos y la Lógica Borrosa

▪ La interpretación de un predicado UNARIO P se • Presentada por Lofti A. Zadeh en 1965, como una
corresponde con el subconjunto C de elementos generalización de la teoría de conjuntos que
que verifican ese predicado. Ej: Mamifero(X) resultaba útil en los casos en los que era difícil
▪ La función característica de un conjunto C, nos determinar la pertenencia o no de un elemento a
dice para cada elemento u del universo U, si un conjunto.
pertenece o no al conjunto. • Los elementos del Universo del Discurso llevan
asociado un grado de pertenencia al conjunto, en
el intervalo [0,1], cuantificado por la función
característica

Los hechos son ciertos o falsos Los hechos son parcialmente ciertos o parcialmente
falsos
 Conjunto borroso: Definición
Un conjunto borroso representa el grado de verdad Dado un universo del discurso U, y un conjunto
o posibilidad de que un concepto sea verdadero. borroso F sobre U, su función de pertenencia µF
asigna a cada elemento del universo u ∈ U un valor
CONJUNTO que denota valor de pertenencia a F:
CONJUNTOS BORROSOS

<Cerca>
TRADICIONAL
µF : U → [0, 1]
El conjunto borroso F queda determinado por la
1.0

Umbral Umbral
<Distancia del blanco>
colección de tuplas:
Inferior Superior
CONJUNTO
F = {(u, µF (u))|u ∈ U}
Los conjuntos borrosos por lo general se superponen,
BORROSO
<Cerca>

por lo que un elemento x puede tener distintos

1.0

Umbral Umbral
<Distancia del blanco>
grados de pertenencia a varios conjuntos al mismo
tiempo.
Inferior Superior

Definición para universos discretos (conjuntos Definición para universos contínuos (conjuntos
contables): basta una enumeración de las incontables):
tuplas
Ejemplo: conjunto de coches caros
F = {(Ferrari, 1), (RollsRoyce, 1), (Mercedes,
0.8), ···· , (BMW, 0.7), (Buick, 0.4)}
Superposición
Otra notación
La pertenencia a múltiples
Ferrari/1+ RollsRoyce/1+Mercedes/0,8+ … +
conjuntos significa que se
BMW/=0,7+ Buick/0,4 (*)
poseen cualidades
asociadas, en mayor o
(*) donde + indica unión y / pertenencia menor grado, a todos esos
conjuntos
EJEMPLOS Universo discreto

Universo contínuo
 El anterior conjunto de operadores no es arbitrario,
sino que cumplen las propiedades de las
PROPIEDADES Y OPERADORES
Propuesta inicial de Operadores Zadeh
operaciones clásicas de teoría de conjuntos:
Unión (OR) ➢ DeMorgan
A ∪ B = {u|µA∪B (u) = max {µA(u), µB (u)}, ∀u ∈ U} ➢ Asociativa
➢ Conmutativa
Intersección (AND) ➢ Distributiva
A ∩ B = {u|µA∩ B (u) = min{µA(u), µB (u)}, ∀u ∈ U}
Algunas propiedades de los conjuntos borrosos
Complemento (NOT)
A’ = {u|µA’(u) = 1 − µA(u), ∀u ∈ U} Igualdad
A = B ↔ ∀u ∈ U : µA(u) = µB (u)
Subconjunto
A ⊆ B ↔ ∀u ∈ U : µA(u) ≤ µB (u)
.

Otros operadores borrosos:

Soporte: elementos de U con pertenencia mayor
que cero
Singleton: Conjunto con un solo punto en U con
pertenencia 1 y resto 0
Corte  de A: x  A | µxA:(x)>
Unión

X1
1.2
1 X2
0.8 Union
Grade 0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9
Decade
Intersección

X1
1.2
X2
1
0.8 Inter.
Grade 0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9
Decade
Modificador“concentración”
1
0.9
CON(A) CON(A)=(A(x))2
Reduce la 0.8 Original
pertenencia de elementos de baja  0.7
– TALL= 0.6
{0.125/5+0.5/6+0.875/6.5+1/7+1/7.5+1/8} 0.5
– VERY TALL = 0.4
{0.0165/5+0.25/6+0.76/6.5+1/7+1/7.5+1/8} 0.3
Concentration
(VERY TALL=TALL2) 0.2
0.1
0
0 2 4 6 8 10 12 14
Modificador“dilución”
1
0.9

• DIL(A) DIL(A)=(A(x))0.5
Incrementa la 0.8
Dilation
pertenencia de elementos de baja  0.7
0.6
– TALL=
0.5
{0.125/5+0.5/6+0.875/6.5+1/7+1/7.5+1/
0.4
8} Original
0.3
– MORE or LESS TALL =
0.2
{0.354/5+0.707/6+0.935/6.5+1/7+1/7.5
+1/8} (LESS TALL=TALL0.5) 0.1
0
0 2 4 6 8 10 12 14
2. REPRESENTACIÓN
DE LA LÓGICA CLÁSICAA LA LÓGICA
Equivalencia entre teoría de conjuntos y lógicas Equivalencia entre teoría de conjuntos borrosos y
clásicas, son equivalentes: lógica borrosa, son equivalentes:
➢ Teoría de conjuntos:“x ∈ Animal-veloz” ➢ Teoría de conjuntos borrosos :“x ∈ Animal-veloz”
➢ Lógica proposicional “x es un animal-veloz” T o F ➢ Lógica borrosa: “Animal-veloz(x)” depende del
➢ Lógica de predicados: “Animal-veloz(x)” T o F grado de verdad y puede tomar valores entre [0,1]

La función de verdad f asocia valores de verdad a En lógica borrosa, la función de verdad de una
proposiciones o predicados proposición B(x ) es la función de pertenencia del
Ejemplo: en lógica de predicados, conjunto asociado: f (B(x )) = µB (x )
v(Animal-veloz(halcon)) = 1 v(Animal-veloz(halcon)) =
BORROSA

v(Animal-veloz(tortuga)) = 0 f (Animal-veloz(halcon)) =
f (Animal-veloz(halcon)) = 1 µAnimal-veloz(halcon) = 0.9
f (Animal-veloz(tortuga)) = 0
La lógica borrosa trabaja con el grado de pertenencia
y otras definiciones de los operadores AND, OR y NOT
La lógica booleana trabaja con el grado de verdad (generalización de las lógicas multivaluadas).
o falsedad y los operadores AND, OR y NOT Utilizaremos los siguientes operadores que no son
arbitrarios (cumplen las propiedades clásicas de los
operadores lógicos), podrían utilizarse otros y dar lugar
a otras LB:
▪ max (a, b) para el OR
▪ min(a, b) para el AND
▪ 1 − a para el NOT
 La Teoría de Conjuntos Borrosos puede utilizarse Definición: Formalmente, una variable lingüística se
para representar expresiones en lenguaje “natural” define como: (X, LX, UX, Mx)
(computación con palabras, CWW ) X: nombre simbólico
PROPOSICIONES BORROSAS
➢ Los conjuntos borrosos se componen de etiquetas LX: etiquetas lingüísticas
lingüísticas que atribuyen cualidades vagas, tal UX : Dominio
como hace el lenguaje: Mx: Interpretación en términos numéricos
veloz, bajo, caro, frío · · ·
Se usan modificadores lingüísticos (adverbios tales como
➢ Una variable lingüística es aquella variable cuyos muy, bastante, poco, casi, etc.).
valores posibles son un conjunto de etiquetas ➢ Construyen nuevos conjuntos borrosos.
lingüísticas definidas sobre un mismo universo de Ej: muy joven (es más restrictivo ser muy joven que joven)
discurso (U) y una función de pertenencia: ➢ Se representan mediante operaciones sobre la
Rapidez = {veloz, medio, lento}; función de pertenencia:
U = velocidad Ligeramente: µ(x )1/3
Ambiente = {frío, fresco, confortable, Más o menos: µ(x )1/2
cálido, caluroso} ; Mucho (muy): µ(x )2
U = temperatura Extremadamente: µ(x )3
En cierta manera: Entre más o menos y
ligeramente

Proposiciones borrosas
Atómicas: Compuestas:
X es B (ej: x es alto) P AND (Q OR NOT R)
B es un conjunto borroso
“es” se interpreta como “tiene la Tengo fiebre muy alta y mi número de
propiedad” o “pertenece al conjunto borroso B” leucocitos es muy elevado
X es modificador B (ej: x es muy alto) Mi coche corre mucho y su consumo es
moderado
3. INFERENCIA
 El razonamiento borroso es una generalización de los métodos de inferencia de la lógica binaria

En la práctica, se suele implementar mediante el

Operadores de inferencia borrosa
MODUS PONENS BORROSO

modus ponens que considera las reglas como Basados en A → B  A  B

relaciones borrosas Kleene-Dienes: μA→B (x,y) = max(1-μQ(x), μB(y) )
➢ Si · · · Entonces · · · borrosas Lukasiewicz : μA→B (x,y) = min(1,1-μQ(x)+μB(y) )
IF antedecente_proposición_borrosa
THEN consecuente_proposición _borrosa Basado en A → B  A  B
Mamdani: μA→B (x,y) = min(μA(x) , μB(y) )
➢ El significado de la regla IF x is A THEN y is B se
Producto: μA→B (x,y) = μA(x) *μB(y)
representa como una relación R en XY con la
siguiente función de pertenencia: Otros operadores:
µR(x,y) = µA(x) * µB(y) Zadeh,Stochastic,Goguen,Sharp,Gödel
donde * es un operador de inferencia borrosa

1. Propagar la incertidumbre a través del modus ponens, considerando las reglas como relaciones borrosas.
2. Combinar la incertidumbre como composición de relaciones borrosas
➢ Combinar la incertidumbre con el AND y el OR
Julio es joven o muy joven, y es también alto
➢ Combinar o agregar la incertidumbre proveniente de dos reglas distintas que concluyen lo mismo
Quien tenga un móvil es posiblemente culpable del delito; pero quien tenga un arma es culpable con
bastante seguridad
3. Modificar las conclusiones borrosas, cuando el antecedente y el hecho no son exactamente iguales se
mide su adecuación y se aplica a la conclusión
➢ Si el suelo está mojado entonces conduzco con mucha precaución;
➢ el suelo está sólo húmedo; luego conduzco con cierta precaución.
Introducción Representación Inferencia Borrosa Diseño de Sistemas Basados en lógica Borrosa Resumen

Ejemplo Modus Ponens Borroso

Ejemplo:
P1 SI temperatura es caliente ENTONCES bajar algo el termostato
P2 Temperatura es templada
Q “Bajar algo el termostato” ···¿pero menos?

Es necesario modificar la conclusión borrosa, porque el antecedente y

el hecho no son exactamente iguales

▲
Introducción Representación Inferencia Borrosa Diseño de Sistemas Basados en lógica Borrosa Resumen

Ejemplo Modus Ponens Borroso

Si A, B, A’ y B’ son conjuntos borrosos, y X,Y variables:

P1 SI X es A ENTONCES Y es B
P2 X es A’
Q Y es B’

A diferencia del modus ponens clásico, se pueden usar diferentes

conjuntos borrosos para X en la premisas 1 y 2.
Se pueden hacer inferencias aunque los hechos no coincidan
exactamente con las premisas de una regla
Esto se evalúa midiendo la adecuación de las premisas de las reglas a
los hechos: en el ejemplo de la temperatura, cómo “encaja” el hecho de
que la temperatura sea “templada” con la premisa que tiene como
antecedente que la temperatura es “caliente”.

30 / 52
▲
MÉTODOS DE INFERENCIA BORROSA
Ejemplo: En general el razonamiento borroso consta de los
siguientes pasos:
Supongamos una inferencia como la siguiente:
1. Borrosificar: Pasar de valor numérico a borroso
IF Temperatura(caliente) THEN (fuzzify)
CambiaTemperatura(poco) 2. Medir la adecuación de las premisas de las
Temperatura(templada) reglas frente a las los hechos
3. Realizar la inferencia borrosa: obtener la
conclusión de cada regla teniendo en cuenta
Conclusión: Q?
su adecuación.
4. Agregar las conclusiones individuales de cada
• Parece lógico que cuanto más lejos esté el hecho de
regla para obtener conclusiones globales
“caliente”, menos seguros estaremos de que tenemos
5. Deborrosificar: Pasar de valores borrosos a
que cambiar “poco” la temperatura
numéricos (defuzzify)

Métodos directos
➢ Método directo de Mamdani.
➢ Método de Takagi & Sugeno.
➢ Método simplificado.
Ejemplo: Mandani

+ funciones de pertenencia de las variables lingüísticas

 Ejemplo: Mandani

Paso 1 :
“Borrosificar” los hechos
 Ejemplo: Mandani

Paso 2:
Medir la adecuación de
las reglas a los hechos
 Ejemplo: Mandani
Paso 3:
Inferencia borrosa
(aplico la adecuación del
paso anterior a la
función de pertenencia
de la conclusión)
α
 Ejemplo: Mandani

Paso 4:
Agregación
Método Max-
Min
 Ejemplo: Mandani

Paso 5:
“Deborrosificar
” (defuzzify)

• Centro de Areas (CoA) o de

Gravedad (CoG)
 Ejemplo: Mandani
Superficies Inferencia
• Salida en función de 2 entradas
 PASO1: BORROSIFICAR (FUZZIFY) PASO2: MEDIR LA ADECUACIÓN DE LAS
Aplicando función de borrosificación REGLAS A LOS HECHOS
Aplicando un operador de conjunción o
disyunción, según sea la naturaleza del
antecedente (and/or)
INFERENCIA MANDANI

a) x1 is A1 and ... and xm is Am

α = μA1(x1)  μA2(x2)  …  μAm(xm)

b) x1 is A1 or ... or xm is Am
α = μA1(x1)  μA2(x2)  …  μAm(xm)
Este método emplea reglas de inferencia con la
siguiente estructura:
IF (x is A) and (y is B) THEN (z is C)
IF (x is A) or (y is B) THEN (z is C)
donde A, B y C son conjuntos difusos
PASO 3: INFERENCIA BORROSA PASO 4: AGREGACIÓN
PASO 5: DEBORROSIFICAR (DEFUZZIFY)
IF Antecedente THEN (z is C) Centro de Areas (CoA) o de Gravedad
Para cada variable conclusión se
Produce un conjunto borroso que resulta (CoG)
de aplicar un operador de agregan los resultados de todas las
inferencia entre la adecuación de la reglas aplicando un operador,
regla y el conjunto borroso de la normalmente el máximo.
conclusión C (con función de μC(z) = max(μC1(z), μC2(z), …, μCm(z))
pertenencia μC(z)).
a) Usando el mínimo μC(z) = min(α, Normalmente se combina con un
Métodos de Máxima Pertenecia
μC(z)) operador min o prod en el paso anterior
b) Usando el producto μC(z) = α  μC(z) El Primero, el Ultimo o la Media de Máxima
Pertenencia (MoM)
➢ Método Max-Min
➢ Método Max-Prod
MÉTODOS P3 INFERENCIA BORROSA
Paso 3; Inferencia Max-Min

Paso 3; Inferencia Max-Prod

MÉTODOS P5 DEBORROSIFICACIÓN Paso 5: Método del Centro de Áreas Paso 5: Método del Centro de Máximos

Paso 5: Método de Máxima Pertenencia

 El método anterior era para entradas numéricas (crisp), si las entradas son etiquetas
EXTENSIÓN P2 CON ENTRADAS

lingüísticas (conjuntos borrosos)

a) x is A1 and y is B1
 = max ( A ( x)   A' ( x))  max (B ( y)  B ' ( y))
1 1
x y
donde A1 y B1 son los conjuntos borrosos especificados en el antecedente
de la regla y A’ y B’ los conjuntos borrosos especificados como entradas.
BORROSAS
 Inconvenientes Método Mandani:
OTROS MÉTODOS DE INFERENCIA

➢ El número de reglas se incrementa exponencialmente con el número de variables borrosas y esto hace
que la tarea de su construcción sea excesivamente laboriosa.
➢ Si el número de variables de la premisa es grande, es muy difícil comprender las relaciones causales entre
las premisas y los consecuentes.

Método Sugeno-Takagi
Método Sugeno simplificado
➢ Este método emplea reglas de inferencia con la siguiente
Emplea reglas de inferencia con la siguiente estructura:
estructura:
IF x is A and y is B THEN z=c
IF x is A and y is B THEN z=ax+by+c
donde A, B son conjuntos difusos y c es un valor nítido
donde A, B son conjuntos difusos.
(crisp)
IF la temperatura de la habitación es “un poco
IF la temperatura de la habitación es “un poco alta” y la
alta” y la humedad es “bastante” THEN ajusta el
humedad es “bastante” THEN ajusta el aire
aire acondicionado usando temperatura de la
acondicionado a 8.
habitación 0.2 + humedad  0.05.
La salida de este método de razonamiento borroso se
➢ La salida de este método de razonamiento borroso viene
calcula como:
dada por: l
l

 wi yi wc i i

y= i =1 z= i =1
l

w
l

w
i =1
i i
i =1
donde wi es el grado de adecuación de la regla i y ci la
donde wi es el grado de adecuación de la regla i e
conclusión de la regla i.
yi la salida de la regla i.
 Ejemplo: Sugeno simplificado

Paso 4: Agregación
4. DISEÑOS DE
SISTEMAS
 Esquema de un sistema tipo
Mandani

1. Borrosificación: las entradas no

borrosas se convierten en
ESQUEMA

conjuntos borrosos

2. Inferencia: las reglas de

inferencia borrosa obtienen los
consecuentes borrosos
▪ En este paso, la salida de varias
reglas puede acumularse (unión o
máximo)

3. Deborrosificación: las salidas

borrosas se procesan para dar
lugar a datos numéricos
▪ En sistemas de control: las salidas
se realimentan a la entrada
RECOMENDACIONES TIPOS DE SISTEMA Para cualquier sistema
➢ Si el sistema es borroso, debe comportarse de forma diferente a un sistema no borroso
➢ Las etiquetas lingüisticas (términos) tipo “alto” o “bajo” no son meros intervalos. Son conjuntos borrosos.
➢ Si un valor de entrada no tiene intersección con ninguno de los valores del antecedente de una regla, la regla se
puede ignorar solamente si los antecedentes se unen con “AND”. Sin embargo, éste es el caso habitual,
especialmente en controladores.

Para controladores Para sistemas de conocimiento borroso (FKBS)

➢ El dominio(universo) de las variables suele ser continuo. ➢ Dos conjuntos (o más) se superponen si algún punto del
Todo elemento del rango debería pertenecer a algún dominio puede pertenecer a todos ellos, y no deben
conjunto. superponerse en caso contrario.
➢ A falta de información podemos dividir el dominio en ➢ Las entradas pueden ser directamente categorías borrosas
triángulos simétricos. Si hay zonas en que tenemos clara la (“feo”
pertenencia (total) a un conjunto, podemos usar ➢ . . . “bonito”), etc., en lugar de valores numéricos.
trapecios en lugar de triángulos (tb. en extremos). ➢ Si hay zonas en que tenemos clara la pertenencia (total) a
➢ Los conjuntos se suelen superponer de dos en dos un conjunto, podemos usar trapecios en lugar de triángulos.
➢ Las reglas suelen cubrir todas las combinaciones de ➢ La salida tiene que tener tantos conjuntos borrosos como
entradas. Si hay dos entradas se puede representar con indique el experto.
una matriz (representa dos entradas unidas con “AND”). ➢ Las reglas vienen del experto y no necesariamente cubren
➢ Por lo tanto, con pocos conjuntos borrosos en las todas las posibilidades de las entradas.
entradas habrá menos reglas. ➢ Las reglas no tienen por qué estar ordenadas en un solo
➢ La salida tiene que tener tantos conjuntos borrosos como nivel, puede haber encadenamientos.
sea necesario para distinguir las reglas. Se suelen usar ➢ No siempre tiene sentido realizar una deborrosificación.
triángulos de igual superficie.
➢ Criterio para las reglas: cuando más lejos de la situación
objetivo (referencia), mayor debe ser el cambio.
➢ En Mamdani, se hace la unión de las salidas y luego se
deborrosifica el resultado. Para la deborrosificación, el
método de centro de gravedad produce transiciones
suaves, y el de media de máximos, cambSioistsemas
GRACIAS