Ing. José C. Benítez P.
Conjuntos Difusos I
Laboratorio: 8
Sistemas Inteligentes yRedes Neuronales
(W0IA)
Objetivo Fundamento teórico: Los conjuntos difusos. Laboratorio: Los conjuntos difusos. Conclusiones. Tarea.
Conjuntos difusos
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 2
Objetivo
Revisar los conceptos de los conjuntos difusos. Graficar mediante el MatLab las funciones de pertenencia. Hallar mediante Matlab las características de los conjuntos
difusos, las operaciones unarias de un conjunto difuso, lasrelaciones entre los conjuntos difusos.
Fortalecer su competencia redactora del alumno mediante laredacción del informe de laboratorio con el desarrollo dellaboratorio.
3Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Funciones de pertenencia
4Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
1. Triangular:• Definido por sus límites inferior a y superior b, y el
valor modal m, tal que a < m < b.• También puede representarse así:
A(x;a,m,b) = máx { mín{ (x-a)/(m-a), (b-x)/(b-m) }, 0 }
Funciones de pertenencia
5Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
2. Función Γ (gamma):• Definida por su límite inferior a y el valor k>0.
Funciones de pertenencia
6Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Función G (gamma):– Se aproximan linealmente por:
Funciones de pertenencia
7Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
3. Función S:• Definida por sus límites inferior a y superior b, y el
valor m, o punto de inflexión tal que a<m<b.• Un valor típico es: m=(a+b) / 2.• El crecimiento es más lento cuanto mayor sea la
distancia a-b.
Funciones de pertenencia
8Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
4. Función Gausiana:• Definida por su valor medio m y el valor k>0.• Es la típica campana de Gauss.• Cuanto mayor es k, más estrecha es la campana.
Funciones de pertenencia
9Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
5. Función Trapezoidal:• Definida por sus límites inferior a y superior d, y los límites
de su soporte, b y c, inferior y superior respectivamente.
Funciones de pertenencia
10Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
6. Función Pseudo-Exponencial:• Definida por su valor medio m y el valor k>1.• Cuanto mayor es el valor de k, el crecimiento es más
rápido aún y la “campana” es más estrecha.
Funciones de pertenencia
11Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
7. Función Trapecio Extendido:• Definida por los cuatro valores de un trapecio [a, b, c, d], y
una lista de puntos entre a y b, o entre c y d, con su valor depertenencia asociado a cada uno de esos puntos.
Características de un conjunto difuso
12Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
• Altura de un Conjunto Difuso (height):El valor más grande de su función de pertenencia: supxX A(x).
• Conjunto Difuso Normalizado (normal):Si existe algún elemento xX, tal que pertenece al conjuntodifuso totalmente, es decir, con grado 1. O también, que:Altura(A) = 1.
• Soporte de un Conjunto Difuso (support):Elementos de X que pertenecen a A con grado mayor a 0:Soporte(A) = {xX | A(x) > 0}.
• Núcleo de un Conjunto Difuso (core):Elementos de X que pertenecen al conjunto con grado 1:Nucleo(A) = {xX | A(x) = 1}.Lógicamente, Nucleo(A) Soporte(A).
Características de un conjunto difuso
13Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
• α-Corte:Valores de X con grado mínimoa: Aa= {xX | A(x) }.
• Conjunto Difuso Convexo o Concavo (convex, concave):Si su función de pertenencia cumple que ∀x1 ,x2X y ∀ [0,1]:
– Convexo: A(λx1+ (1–λ)x2) min{A(x1), A(x2)}.Que cualquier punto entre x1 y x2 tenga un grado depertenencia mayor que el mínimo de x1 y x2
– Concavo: A(λx1+ (1–λ)x2) max{A(x1), A(x2)}.
• Cardinalidad de un Conjunto Difuso con un Universo finito(cardinality):Card(A) = ΣxX A(x).
Operaciones unarias en un conjunto difuso
14Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Normalización:Convierte un conj. difuso NO normalizado en unonormalizado, dividiendo por su altura:
Norm_A(x) = A(x) / Altura(A) Concentración (concentration):
Su función de pertenencia tomará valores más pequeños,concentrándose en los valores mayores:
Con_A(x) = Ap(x), con p>1, (normalmente, p=2) Dilatación (dilation):
Efecto contrario a la concentración. 2 formas:Dil_A(x) = Ap(x), con p(0,1), (normalmente, p=0.5).Dil_A(x) = 2A(x) – A2(x).
Operaciones unarias en un conjunto difuso
15Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Intensificación del Contraste (contrast intensification): Sedisminuyen los valores menores a 1/2 y se aumentan losmayores:
Con p>1. Normalmente p=2. Cuanto mayor p, mayorintensificación. Difuminación (fuzzification): Efecto contrario al anterior:
Relaciones entre conjuntos difusos
16Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Igualdad (equality): Dos conjuntos difusos, definidos en elmismo Universo, son iguales si tienen la misma función depertenencia: A = B A(x) = B(x),"xX Inclusión (inclusion): Un conjunto difuso está incluido en otro
si su función de pertenencia toma valores más pequeños:A B A(x) B(x),"xX
Inclusión Difusa: Si el Universo es finito, podemos relajar lacondición anterior para medir el grado en el que unconjunto difuso está incluido en otro (Kosko, 1992):
Laboratorio
17Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Realizar un programa en Matlab mediante un Guide quegrafique una función de pertenencia seleccionada. Se debe elegir la función de pertenencia, Se debe dar los valores de las constantes, Se debe dar el rango del universo del discurso. Se debe seleccionar todas y cada una de las funciones de
pertenencia estudiadas. Realizar un programa en Matlab mediante un Guide que
muestre el resultado de la característica elegida. Se debe ingresar un conjunto difuso, Se debe elegir la características del conjunto. Se debe seleccionar todas y cada una de las
características de los conjuntos difusos.
Laboratorio
18Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Realizar un programa en Matlab mediante un Guide quemuestre el resultado de una operación unaria elegida. Se debe ingresar un conjunto difuso, luego Se debe elegir la operación unaria del conjunto. Se debe seleccionar todas y cada una de las operaciones
unarias estudiadas. Realizar un programa mediante un Guide que muestre el
resultado de la relación elegida entre dos conjuntos difusos. Se debe ingresar dos conjuntos difusos, Se debe elegir la relación entre los conjuntos difusos. Se debe seleccionar todas y cada una de las relaciones
entre conjuntos difusos estudiadas.
Informe de Laboratorio El Informe de Laboratorio es un documento gráfico en lo posible y es
redactado en Word con el desarrollo del laboratorio. Niveles de Informe:
Primer nivel: Observaciones. Imágenes con comentarios cortos.Redactar al ir desarrollando el laboratorio. (Requiere desarrollar ellaboratorio).
Segundo nivel: Conclusiones. Redactar al terminar ellaboratorio.(Requiere haber desarrollado el laboratorio).
Tercer Nivel: Recomendaciones. (Requiere lectura de otrasfuentes).
Dentro de su Carpeta Personal del Dropbox crear una carpeta para ellaboratorio 4 con el siguiente formato:
SIRN_PaternoM_Lab7 Adjuntar fuentes que le han ayudado en esta carpeta creada. Las fuentes deben conservar el nombre original de archivo y se debe
agregar _L7 al final. Presentar el Informe de Laboratorio 7 en esta carpeta creada.
Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P. 19
Laboratorio 6. Las RNA Perceptron Multicapa
Blog del curso:utpsirn.blogspot.com
20Sistemas Inteligentes y Redes Neuronales - Prof. Ing. José C. Benítez P.
Top Related