Lógica Difusa, un controlador basado en reglas es fácil de mantener por un usuario final. Si no miente, entonces dice la verdad y miente. Ambos casos conducen a la contradicción porque la frase es cierta y falsa a la vez. En este caso la lógica clásica se rinde, pero la lógica difusa dice que la respuesta es mitad verdad y mitad falsa.

El control difuso es un método de control basado en lógica difusa. La lógica difusa puede ser descrita simplemente como ''cálculo con palabras en lugar de números'', ya que son una ampliación de la lógica clásica y el control difuso se puede describir simplemente como el “control con frases en lugar de ecuaciones''. Un controlador difuso puede incluir reglas empíricas, lo cual es especialmente útil en las plantas controladas por un operador.

La lógica difusa trabaja con las llamadas variables lingüísticas las mismas que representan, en palabras, las variables de entrada y de salida del sistema que se desea controlar, son aquellos valores que toman cada una de las variables.

Zadeh aplico la lógica de Lukasiewicz a cada objeto en un conjunto y creo un álgebra para cojuntos difusos. Esta teoría propone funciones de pertenencia ( o los valores falsos y verdaderos) sobre el rango [0.0 1.0], μ

El tipo MANDANI, ocupa el área max μA; min μB, del universo de discurso, es decir, al aplicar reglas con una sola o múltiples antecedentes, se obtiene un consecuente o conclusión, modus ponens, modus ponens generalizado( regla composicional de inferencia), la regla de inferencia max, min que pertenece a MANDANI, se analizado los conjuntos borrosos y el razonamiento aproximado utilizando lógica borrosa mediante el modelo de MANDANI

Función de disparo o grado de compatibilidad

Borroso o conciso, se lo aplica a la regla 1 y da un consecuente y así sucesivamente, se hará luego la agregación y ese será el conjunto borroso resultante de aplicar este echo o bien borroso o bien conciso

Defusificación, o desborrificación para volver a un valor conciso, para tener un determinado y lo que interesa es en un determinado momento, es decir, por un determinado valor en lugar de un conjunto borroso, un número muy conocido es lo que se conoce en física como el centroide, centro de gravedad o centro de masa, es decir, sustituir todo un cuerpo por un único punto que conserva todas las propiedades del cuerpo. Un único del interior de una función de pertenencia es esta y viene definida por una expresión matemática para hallarla

Función de pertenencia o función de membresía, Las funciones de pertenencia son funciones numéricas correspondientes a los términos lingüísticos.

Otros métodos que permite defusificar o desuficación son: Quedarse con el mínimo de los máximos o el mayor de los máximos, media de los máximos, bisector de áreas( que divide esta sección en dos áreas iguales).

El método de inferencia que es el núcleo del controlador difuso, de los cuales se pueden mencionar tres: MANDANI, SUGENO-TAKAGI-KANG Y TSUKAMOTO, estos dos últimos son simplificaciones del de MANDANI, o se inspiran en el ya que son el método general.

Por otro lado, en los casos altamente no lineales, donde el proceso es relativamente lento (los cambios tienen lugar en el orden de milisegundos en lugar de microsegundos), los sistemas de control basados en métodos difusos permiten a menudo que el diseño del controlador sea mucho más simple que sus homólogos clásicos de la familia PID, Debido a la naturaleza inherentemente lenta de la mayoría de las aplicaciones a procesos donde se usa un PLC de propósito general, el método de control difuso ofrece una alternativa a los controladores de la familia PID. La lógica difusa proporciona al PLC la capacidad de tomar decisiones razonadas sobre un proceso

El diseño de los controladores por lógica difusa comúnmente involucra un filtro, el mismo que puede ser del tipo proporcional, proporcional derivativo o proporcional integral derivativo, o como se le puede denominar un filtro del tipo PID [6]. Al adicionar un filtro de tales características el controlador difuso adquiere propiedades dinámicas que antes no tenía. Estas propiedades dinámicas de alguna manera se manifiestan en la ubicación de los polos del sistema a lazo cerrado de manera tal que se logre la estabilidad, la exactitud y la rapidez en el seguimiento de los cambios en la referencia.

El control difuso es un método de control basado en lógica difusa. La lógica difusa puede ser descrita simplemente como ''cálculo con palabras en lugar de números'' y el control difuso se puede describir simplemente como el “control con frases en lugar de ecuaciones''. Un controlador difuso puede incluir reglas empíricas, lo cual es especialmente útil en las plantas controladas por un operador.

No hay orientaciones de cómo armar las funciones de pertenencia, es decir, si se usan las triangulares y las trapezoidales, colocando esta a los extremos.

Ese control que estas presentando son tres funciones de transferencia y no son

Las Reglas describen, en palabras, las relaciones entre las variables lingüísticas de entrada y de salida basadas en sus términos lingüísticos. Así, un controlador difuso típico se desarrolla mediante reglas, El conjunto de reglas se denomina una base de reglas. Las reglas están en el formato conocido si-entonces (if-then), y formalmente el lado if se llama condición y el lado then se llama conclusión (con más frecuencia, el par se llama antecedente-consecuente o premisa-conclusión).

La computadora es capaz de ejecutar las reglas y calcular una señal de control en función de las entradas medidas error y cambio en el error

C=A∪B; μC(x) = μA(x) v μB(x) = max [μA(x), μB(x)] Para todo x pertenece U

C=A∩B; μC(x) = μA(x) ∩ μB(x) = min [μA(x), μB(x)] Para todo x pertenece U

Los controladores difusos se optimizan utilizando un algoritmo ANFIS. Los mejores resultados se obtienen con el controlador Tipo 2 FLC, particularmente cuando hay incertidumbres en el sistema de control.

A partir del conocimiento del modelo se diseñó un controlador difuso de Mamdani para mantener la concentración de benceno dentro de niveles seguros para los trabajadores. Se determina el ciclo de trabajo por un modulador de ancho de pulsos (PWM),

Utilizando el algoritmo de agrupamiento difuso, se obtiene el espacio requerido para las variables de entrada y se identifican los parámetros consecuentes usando el método de los mínimos cuadrados. Comparado con el control tradicional PID, el control predictivo basado en el modelo difuso alcanza beneficios satisfactorios en términos tanto del desempeño transitorio como en estado estacionario.

Por ejemplo, en [48], se ha elegido un triángulo isósceles como función de fusificación. El vértice de este triángulo se corresponde con el valor medio del conjunto de datos, mientras la base es dos veces la desviación estándar del conjunto de datos. Con base a este artículo también es posible emplear un histograma de los datos medidos para estimar la función de pertenencia y transformar la probabilidad en posibilidad.

Hay solamiento entre dos especies, es decir, no hay umbral, para conseguir la tasa de error se debe mejorar el atributo diferenciador entre dos especies, se habla entonces de un par ordenad, un vector característica de dos dimensiones, en un espacio de características.

El incorporar atributos, implica un mayor grado de incertidumbre, es decir, variables que pueden ser redundantes, el tema es que inspira mucha confianza, y esa curva es demasiada ajustada a los datos y debe ser instalado este sistema en la planta, que se ajuste a nuevos datos y que no se cumpla esa regla

Regla de decisión, función/regla de decisión compleja, es decir, cuadrática, consiste en tender una regla no ajustada a los datos . Raíz Cuadrada del Error Cuadrático Medio — Es fácil ver que el MSE amplifica los errores mayores ya que calcula el cuadrado del error. Error cuadrático=(real − estimado)2

Machine learnig, utiliza algoritmos que nos permiten separar esas curvas, utilizando para esto miles de variables Aumentando los parámetros los algoritmos pueda trabajar para que de mas grado de libertad y construir esa frontera en forma circular, lo van encontrar esas curvas de decisión en espacio tridimensionales, construir predictores

En la minería al aplicar Machine Learning, se pueden detectar daños en correas transportadoras, antes de que se corten definitivamente, detectar los daños, a través de detectar zonas dañadas versus zonas que no tienen ningún daño, haciendo uso de alarmas, es decir, se lanzan alarmas.

Pronóstico de consumo de combustible, variables que aparecen en este sistema

En la esqueletización, que tipo de acción esta ocurriendo, sistema no inclusivo, cuando las personas realizan otras actividades

Deep Learning

Normalmente se utiliza el MSE, el error cuadrado medio image en el proceso de aprendizaje pero finalmente utilizaremos su raíz cuadrada para estimar la calidad de la predicción

La principal diferencia entre MANDANY y SUGENO, es que las funciones de pertenencia de la salida de SUGENO, bien son lineales o constantes.

Los modus son las reglas de inferencia, por tal razón se debe identificar las regiones de cada una de las funciones y poner en regla por cada función.

Cuando se tiene una entrada y una salida, solo se tiene una curva de control en el plano(x, y), MANDANI es excelente para la intervención humana

El tipo SUGENO adapta muy bien sus salidas a redes neuronales

Para el controlador de SUGENO se parte de manera inversa al de MANDANI, es decir, SUGENO parte de la curva de superficie de control y a partir de esa curva se infieren las reglas, es decir, se trabaja de memoria inversa. MANDANI, se parten de las reglas para generar una superficie de control.