Tabla de contenido
¿Qué es un sistema de lógica difusa?
Introducción a la lógica difusa
lógica difusa es la lógica o sistema de control de sistema lógico de valor n utilizar el grado de condición “grado de verdad“Produce una salida que depende de los estados de sus entradas y la tasa de cambio de esos estados (en lugar del habitual ‘verdadero o falso’ (1 o 0), en el que se basan las computadoras modernas). Básicamente, proporciona una base para el razonamiento aproximado utilizando decisiones imprecisas e imprecisas y permite el uso de variables lingüísticas. 
Desarrollado en 1965 por el profesor LoftiZadeh de la Universidad de California, Berkeley. Su primera aplicación fue para realizar procesamientos informáticos de datos basados en valores naturales.
En términos más simples, Las estadísticas de lógica difusa pueden ser 0, 1 o entre estos números, es decir, 0,17 o 0,54..
Por ejemplo, de valor booleanoun vaso de agua caliente (es decir, 1 o alto) o un vaso de agua fría, es decir (0 o bajo). Pero en lógica difusa, Un vaso de agua tibia (ni caliente ni fría), se podría decir.
Veamos otro ejemplo.
valor booleano lógica : si o no (0,1)
lógica difusa: Ciertamente, probablemente no, no estoy seguro, podría ser, etc.
Arquitectura básica del sistema de lógica difusa
Un sistema de lógica difusa consta de los siguientes módulos:
1. fuego de pelusa: toma una variable de medida como entrada y convierte un valor numérico en una variable lingüística. Convierta valores físicos y señales de error en subconjuntos difusos normalizados. Consiste en un intervalo de rangos de valores de entrada y funciones de pertenencia que describen las probabilidades de estado de las variables de entrada. La señal de entrada se divide básicamente en cinco estados: positivo grande, positivo medio, pequeño, negativo medio y negativo grande.
2. controlador: consta de una base de conocimiento y un motor de inferencia. La base de conocimientos almacena funciones de pertenencia y reglas difusas derivadas del conocimiento del funcionamiento del sistema para cada entorno. El motor de inferencia realiza el procesamiento de las funciones de pertenencia y las reglas difusas obtenidas. En otras palabras, el motor de inferencia asigna salidas basadas en información lingüística.
3. desdibujado: Haz lo contrario de Fuzzifier. Es decir, convierte valores borrosos en señales numéricas o físicas regulares y las envía a sistemas físicos para controlar su comportamiento.
Trabajar con sistemas de lógica difusa
Las operaciones difusas incluyen el uso de conjuntos difusos y funciones de pertenencia. Cada conjunto borroso es una representación de una variable lingüística que define un posible estado de salida. Una función de pertenencia es una función de un valor genérico dentro de un conjunto borroso, y tanto el valor genérico como el conjunto borroso pertenecen al conjunto universal.
Basado en el principio SI-ENTONCES, el grado de pertenencia de ese valor genérico en el conjunto borroso determina la salida. Las membresías se asignan en base a suposiciones de entrada y salida utilizando el cambio porcentual en las entradas. Una función de pertenencia es básicamente una representación gráfica de un conjunto borroso.
Considere el valor ‘x’ tal que cada intervalo tiene x€X [0,1] La función de pertenencia de ‘x’ en el subconjunto A se da como: fA(x). Tenga en cuenta que ‘x’ indica el valor de membresía.
A continuación se muestra una representación gráfica del conjunto borroso.
El eje x representa el conjunto universal y el eje y representa el grado de pertenencia. Estas funciones de pertenencia pueden tener forma triangular, trapezoidal, singleton o gaussiana.
Ejemplos de sistemas difusos en acción
Diseñe un sistema de control difuso simple para controlar el funcionamiento de una lavadora de modo que el sistema difuso controle el proceso de lavado, la entrada de agua, el tiempo de lavado y la velocidad de centrifugado.
Los parámetros de entrada aquí son la cantidad de ropa, el grado de suciedad y el tipo de suciedad. La cantidad de agua absorbida está determinada por la cantidad de ropa, el grado de suciedad está determinado por la transparencia del agua y el tipo de suciedad está determinado por el tiempo que el agua permanece del mismo color.
paso 1: El primer paso es definir variables y términos lingüísticos. Para la entrada, las variables lingüísticas son:
- Tipo de suelo: {graso, normal, no graso}
- Calidad de la suciedad: {Grande, Mediana, Pequeña}
Para la salida, las variables lingüísticas son:
Tiempo de limpieza: {corto, muy corto, largo, medio, muy largo}
paso 2: El segundo paso involucra la construcción de funciones de membresía.
A continuación se muestra un gráfico que determina la función de pertenencia de las dos entradas.
función de membresía de calidad de suciedad
Función de membresía de tipo suciedad
paso 3: El tercer paso es crear un conjunto de reglas para su base de conocimientos. A continuación se muestra un conjunto de reglas que utilizan la lógica IF-THEN.
- Si la calidad de la suciedad es pequeña y el tipo de suciedad es grasosa, el tiempo de limpieza será mayor.
- Si la calidad del suelo es media y el tipo de suelo es grasoso, el tiempo de limpieza será mayor.
- Si la calidad del suelo es alta y el tipo de suelo es grasoso, el tiempo de limpieza será muy largo.
- Si la calidad de la suciedad es “ligera” y el tipo de suciedad es “media”, el tiempo de limpieza es “medio”.
- Para suciedad de calidad media y tipos de suciedad media, el tiempo de limpieza es medio.
- Si la calidad del suelo es alta y el tipo de suelo es medio, el tiempo de limpieza es medio.
- Si la calidad del suelo es baja y el tipo de suelo no es pegajoso, el tiempo de limpieza es muy corto.
- Si la calidad del suelo es media y el tipo de suelo no es pegajoso, el tiempo de lavado es medio.
- Si la calidad del suelo es alta y el tipo de suelo es grasoso, el tiempo de limpieza es muy corto.
etapa 4: El fuzzificador, que primero transformó la entrada del sensor en estas variables lingüísticas, aplica las reglas anteriores para realizar operaciones de conjunto difuso (como MIN y MAX) para determinar la función difusa de salida. Se desarrolla una función de pertenencia basada en el conjunto difuso de salida.
paso 5: El paso final es el paso de desfuzzificación en el que Defuzzifier utiliza la función de membresía de salida para determinar el tiempo de lavado de salida.
Nota: El ejemplo anterior es un ejemplo teórico simple. Los modelos prácticos se vuelven más complejos y despliegan una lógica neurodifusa para los mismos.
solicitud
- Los sistemas de lógica difusa se pueden utilizar en sistemas automotrices para aplicaciones tales como dirección en las cuatro ruedas y cajas de cambios automáticas.
- Las aplicaciones en el campo de las aplicaciones domésticas incluyen hornos de microondas, acondicionadores de aire, lavadoras, televisores, refrigeradores, aspiradoras, etc.
- Otras aplicaciones incluyen sistemas Hi-Fi, fotocopiadoras y humidificadores.
ventaja
- El sistema de lógica difusa es flexible y puedes cambiar las reglas.
- El sistema acepta incluso la información de entrada inexacta, distorsionada y errónea.
- Puede construir fácilmente su sistema.
- Debido a que estos sistemas involucran el razonamiento humano y la toma de decisiones, pueden ayudar a brindar soluciones a soluciones complejas en muchos tipos diferentes de aplicaciones.
Hay muchas otras ventajas de este concepto, pero todavía hay una laguna en la capacidad del sistema lógico para manejar sistemas complejos y ultraprecisos.este es el conocimiento basico que tenia sistema de lógica difusa Cualquier otra entrada es bienvenida en la sección de comentarios a continuación.
también podrías leer