Sistema de inferencia borrosa: descripción general, aplicaciones, características, estructura y ventajas

Un sistema de inferencia difusa es la unidad clave de un sistema de lógica difusa. La estructura típica de un sistema de inferencia borrosa consta de varios bloques funcionales. Utiliza nuevos métodos para resolver problemas cotidianos.

Un sistema de inferencia difuso puede ser un paradigma informático respaldado por la teoría de conjuntos difusos, las reglas difusas si-entonces y el razonamiento difuso. Un mapeo no lineal que deriva su resultado de un razonamiento borroso y un grupo de reglas difusas si-entonces. El dominio y el rango de mapeo pueden ser puntos o conjuntos borrosos espaciados multidimensionales.

Un sistema de inferencia difuso es un sistema que utiliza una teoría de conjuntos difusos para mapear entradas a salidas.

Aplicaciones de FIS

Un sistema de inferencia difuso se utiliza en diferentes campos, por ejemplo, orden de información, examen de elección, sistema maestro, pronósticos de disposición de tiempo, mecánica avanzada y reconocimiento de ejemplo. También se denomina sistema basado en reglas difusas, modelo difuso, controlador de lógica difusa, sistema experto difuso y memoria asociativa difusa.

Es la unidad vital de un sistema de lógica difusa que se ocupa de la toma de decisiones y la elección de tareas esenciales. Utiliza el “SI…. Luego, "lleva junto a los conectores" Y "O" para dibujar estándares de elección básicos.

Características del sistema de Inferencia Fuzzy

• El rendimiento de FIS es consistentemente un conjunto difuso independientemente de su entrada, que puede ser difusa o nítida.
• Es necesario tener una salida difusa cuando se usa como controlador.
• Una unidad de desfuzzificación acompañaría al FIS para convertir la variable difusa en una variable nítida.

Estructura del sistema de inferencia borrosa

La estructura esencial de un sistema de inferencia borrosa comprende tres entidades:

• Una base de reglas que contiene reglas difusas
• Una base de datos (o diccionario), que contiene las funciones de participación utilizadas en las reglas difusas.
• Un mecanismo de razonamiento que realiza la inducción hecha sobre las pautas y los hechos dados para inferir un resultado o conclusión razonable.

Fuente

¿Qué es la defuzzificación?

La defuzzificación es la extracción de un valor que representa un conjunto borroso.

Métodos de defuzzificación:

1. Centroide de área
2. bisectriz del área
3. media de max
4. El más pequeño de máx.
5. mayor de max

Es obligatorio tener una salida nítida en algunos casos en los que usamos un sistema de interferencia como controlador.

Lea también: Ideas de proyectos de aprendizaje automático

Entradas y salidas del sistema de inferencia difusa

• El sistema de inferencia difusa fundamental puede tomar entradas difusas o entradas nítidas, pero el rendimiento que produce es muy a menudo conjuntos difusos.
• A veces es importante tener una salida nítida, especialmente en una situación en la que se utiliza un sistema de inferencia difuso como controlador.
• Por lo tanto, necesitamos una técnica de defuzzificación para extraer un valor nítido para representar un conjunto borroso.

Diagrama de bloques para un sistema de inferencia difusa con salida nítida

Sistemas de inferencia difusa populares (modelos difusos)

1. Modelos difusos de Mamdani
2. Modelos borrosos de Sugeno

La principal diferencia entre estos sistemas de inferencia difusos está en las consecuencias de sus reglas difusas y sus procedimientos distintivos de conglomeración y desfuzzificación.

1. Modelo borroso de Ebrahim Mamdani

Este es el sistema de inferencia borrosa más utilizado.

El profesor Mamdani fabricó uno de los principales sistemas difusos para controlar una mezcla de motor de vapor y caldera. Aplicó reglas difusas presentadas por operadores humanos experimentados.

Pasos para calcular la salida

Se deben seguir los siguientes avances para calcular la salida de este FIS

Paso 1: Decidir un montón de principios difusos

Paso 2: Fuzzizing las entradas con los elementos de infoparticipación

Paso 3: fusionar las entradas difusas de acuerdo con las pautas difusas para descubrir una fuerza estándar

Paso 4: encontrar el efecto posterior del estándar al resumir la resistencia estándar con el trabajo de participación de rendimiento

Paso 5: Combinar los resultados para obtener el transporte de rendimiento

Paso 6: Realización de la defuzzificación de la dispersión de salida

Dos reglas Mamdani con operadores Min y Max

El FIS de Mamdani usa min y max para normas T y normas S, sujeto a dos entradas nítidas x e y.

Puerta de la investigación

Dos Reglas Mamdani FIS con Operadores Max y Producto

El FIS de Mamdani que utiliza producto y máximo para normas T y normas S, sujeto a dos entradas nítidas x e y.

Puerta de la investigación

Composición Mamdani de tres salidas difusas SISO

2. Modelo borroso de Sugeno

Este modelo fue propuesto por Takagi, Sugeno y Kang.

Para desarrollar un enfoque científico para generar reglas difusas a partir de un conjunto dado de datos de entrada y salida.

El formato de esta regla se da como:

SI x es A ey es B; Z= f(x,y)

Aquí, AB son conjuntos borrosos en antecedentes, y z= f(x, y) es una función nítida dentro del consecuente.

El modelo difuso de Sugeno de orden cero más utilizado aplica reglas difusas de la siguiente forma:

SI x es A Y y es B; z es k

donde k es una constante

En este caso, la salida de cada regla difusa es constante y cada función de pertenencia consecuente está representada por picos únicos.

Entonces,

• Modelo difuso de Sugeno de primer orden: f(x, y) – polinomio de primer orden
• Modelo difuso de Sugeno de orden cero: f – constante

Procedimiento de razonamiento borroso para un modelo borroso de Sugeno de primer orden

El sistema de inferencia difuso bajo el método Sugeno Fuzzy funciona de la siguiente manera:

Paso 1: Desenfoque de las entradas: las entradas del sistema se vuelven borrosas.

Paso 2: Aplicar el operador borroso: se deben aplicar los operadores borrosos para obtener el resultado.

Formato de regla

El formato de regla de Sugeno form-

Si 7 = x y 9 = y; la salida es z = ax+by+c

El sistema de inferencia difusa de Sugeno es muy similar al método de Mamdani.

Sólo cambia una regla consecuente: en lugar de un conjunto borroso, se usa una función matemática de la variable de entrada.

¿Cómo decidir si aplicar- Mamdani o Sugeno Fuzzy Inference System?

• La técnica Mamdani es ampliamente reconocida por capturar información y conocimientos expertos. Nos permite representar la habilidad de una manera más instintiva, más humana.

Sin embargo, la inferencia difusa de tipo Mamdani conlleva una carga computacional considerable.

• Por otro lado, el método de Sugeno es factible computacionalmente. Funciona de manera efectiva con avances y procedimientos versátiles, lo que lo hace excepcionalmente atractivo en cuestiones versátiles, especialmente para marcos dinámicos no lineales.

Ventajas de los sistemas de inferencia borrosa

Conclusión

Un sistema de inferencia difusa facilita la mecanización de cualquier tarea. Es por esto que el sistema de inferencia borrosa ha encontrado aplicaciones exitosas en varios campos como la robótica, el reconocimiento de patrones, la predicción de series, etc.

Aprenda sistemas de inferencias difusas con upGrad

upGrad ofrece un extenso curso de Maestría en Ciencias en Ciencias de la Computación donde puede perfeccionar sus habilidades e impulsar su carrera en el desarrollo de software.

Un candidato puede elegir entre una de las seis especializaciones únicas que son relevantes para la industria. Implica al posible candidato a:

• Tenga la colocación asegurada
• Ser asesorado por expertos de la industria
• Acceda a oportunidades laborales a nivel mundial
• Trabajar en proyectos y asignaciones en vivo
• Aprende el tema de principio a fin

Aprenda el curso ML de las mejores universidades del mundo. Obtenga programas de maestría, PGP ejecutivo o certificado avanzado para acelerar su carrera.