Hemos hablado de conjuntos difusos, funciones de pertenencia e inferencia, veamos ahora como se estructura un sistema de lógica difusa. Recordemos que la lógica en sí no es difusa, lo que es difuso son los conjuntos con los cuales trabaja. Esto sugiere un esquema en el cual podamos tomar decisiones con la lógica clásica, pero en el cual los conjuntos difusos se transformen en información precisa.
Es importante integrar la teoría y la práctica, por esto debemos encontrar la forma de utilizar la teoría de la mejor forma posible. Como primer eslabón hacia la aplicación de la teoría tenemos el sistema tipo Mandami. Este sistema fue propuesto por Ebrahim Mamdami como fusión extraordinaria de lenguaje y teoría abstracta. El esquema básico de un sistema Mandami de lógica difusa es:
Los posibles estados observables de las variables de control son las entradas. La complejidad de estas hace que implantemos un sistema de conjuntos difusos sobre todos estos estados, en otras palabras se deben expresar en términos de la función de pertenencia. Esto se da en el “Fuzzificador”. Posteriormente se utilizan las reglas de inferencia para transformar todas las entradas difusas en un solo conjunto difuso que debe ser descifrado. La des-fuzzificación es el último paso sobre el conjunto difuso de salida sobre el cual se da un valor concreto para la toma de decisiones.
Este sistema tan simple puede llegar a ser un “sistema experto” o sistema casi tan eficiente a un humano, esto también está muy relacionado con la aproximación de redes neuronales.Para ver detalladamente el funcionamiento de estos sistemas: Sistema Mamdani o su aplicación en Matlab
Es importante integrar la teoría y la práctica, por esto debemos encontrar la forma de utilizar la teoría de la mejor forma posible. Como primer eslabón hacia la aplicación de la teoría tenemos el sistema tipo Mandami. Este sistema fue propuesto por Ebrahim Mamdami como fusión extraordinaria de lenguaje y teoría abstracta. El esquema básico de un sistema Mandami de lógica difusa es:
Los posibles estados observables de las variables de control son las entradas. La complejidad de estas hace que implantemos un sistema de conjuntos difusos sobre todos estos estados, en otras palabras se deben expresar en términos de la función de pertenencia. Esto se da en el “Fuzzificador”. Posteriormente se utilizan las reglas de inferencia para transformar todas las entradas difusas en un solo conjunto difuso que debe ser descifrado. La des-fuzzificación es el último paso sobre el conjunto difuso de salida sobre el cual se da un valor concreto para la toma de decisiones.
Este sistema tan simple puede llegar a ser un “sistema experto” o sistema casi tan eficiente a un humano, esto también está muy relacionado con la aproximación de redes neuronales.Para ver detalladamente el funcionamiento de estos sistemas: Sistema Mamdani o su aplicación en Matlab