1 3. introducción a la lógica difusa jorge cabrera gámez departamento de informática y sistemas...
TRANSCRIPT
1
3. Introducción a la LógicaDifusa
Jorge Cabrera GámezDepartamento de Informática y Sistemas
Universidad de Las Palmas de Gran Canaria© Todos los derechos reservados
2
Contenidos
3. Introducción a la Lógica Difusa
3.1 Teoría de conjuntos difusos
3.2 Inferencia en lógica difusa
3.3 Un caso de estudio
3.4 Bibliografía básica: [Cox-94], [Bend-96].
3
Introducción a la Lógica Borrosa
Teoría de conjuntosdifusos / borrosos(Fuzzy set theory)
L. Zadeh, 1965
Modelos difusos de
representación y tratamiento
de la incertidumbre
Definición. Conjunto: La reunión de todos los elementos que verifican una condición
“El conjunto de todos los elementos de Y que verifican A(x)”
)}(|{ xAYxA
4
Introducción a la Lógica Borrosa
Definición. Conjunto: La reunión de todos los elementos que verifican una condición
“El conjunto de todos los elementos de Y que verifican A(x)”
)}(|{ xAYxA
Teoría clásica de conjuntos (Crisp set theory)
}1,0{)( xA
0)( x
A
1)( xA
“No pertenece”
“Sí pertenece”
pertenencia de x al conjunto A
Teoría de conjuntos difusos (Fuzzy set theory)
]1,0[)( xA
Existe un rango de grados de pertenencia entre las posibilidades extremas
5
Introducción a la Lógica Borrosa
Idea Un conjunto difuso es un conjunto cuya fronteras no están bien definidas
(subjetividad, vaguedad, imprecisión, ...)
y, por tanto, la pertenencia o no de un elemento al mismo contiene una cierta incertidumbre
Bayes
Aleatoriedad de eventos definidos de
manera precisa
Conjuntos Difusos
Subjetividad en la calificación de eventos no
aleatorios
6
Ejemplo:
Sea el conjunto de las personas consideradas “altas” definido sobre el conjunto de la población española, y consideremos un elemento del mismo denominado “pepe”. La cuestión de si pepe pertenece o no al conjunto de las personas “altas” puede resolverse atendiendo a la medida altura(pepe) y una función que mide la posibilidad de ser considerado alto en base a la altura.
1.0
0.5
0.0
alto(altura)
1.0 1.5 2.0 altura (m)
))(()( pepealturaAlto
pepeAlto
7
Definición de la Función de posibilidad (Función de pertenencia)
1. Como una función de cualquier conjunto de parámetros pk(x) del elemento x.
2. Por enumeración de pares definidos sobre elementos discretos del conjunto
donde
– no representa una suma, sino una agregación de pares.
– a(x)/x no representa ningún cociente, sino un par (posibilidad/elemento)
))(,),...(),(()(21
xpxpxpxnAA
Ux
AxxA /)(
Ejemplo:Sea el ejemplo anterior donde se definía el conjunto de personas “altas”. Si el conjunto de posibles alturas se representa por un conjunto de alturas discretas, U, tal que,
U= { 1.30, 1.50, 1.70, 1.90, 2.10 }podemos definir la distribución de posibilidad de “ser alto” sobre el conjunto U como:ALTO = 0.0/1.30 + 0.2/1.50 + 0.5/1.70 + 0.8/1.90 + 1.0/2.10
8
Algunas funciones de pertenencia muy utilizadas
0,,),,;(
bcxc
abax
minmaxcbaxTriangular
1.0
0.5
0.0
0 50 100
)80,60,20;(xTriangular
9
Algunas funciones de pertenencia muy utilizadas
0,,1,),,,;(
cdxd
abax
minmaxdcbaxlTrapezoida
)95,60,20,10;(xlTrapezoida
1.0
0.5
0.0
0 50 100
10
Algunas funciones de pertenencia muy utilizadas
2),;(
cxecxGaussiana
)50,20;(xGaussiana
1.0
0.5
0.0
0 50 100
11
Algunas funciones de pertenencia muy utilizadas
b
acx
cbaxCampana2
1
1),,;(
)50,4,20;(xCampana
1.0
0.5
0.0
0 50 100
12
Algunas funciones de pertenencia muy utilizadas
)(1
1),;(
cxae
caxSigmoide
)50,2.0;(xSigmoide
1.0
0.5
0.0
0 50 100
13
Modificadores (Hedges)
Es posible introducir conjuntos difusos por transformación lingüística de uno dado. Algunos de los más frecuentes son:
muy A 2)()( x
Ax
Amuy
más_o_menos A 5.0)()(
__x
Ax
Amenosomás
no A )(1)( xA
xAno
En general, pueden introducirse nuevas clases de cualificadores o modificadores en la forma:
))(()( xAtFx
At
14
Extensión cilíndrica
En el caso de que se quiera realizar la composición de dos conjuntos cuyas bases de parámetros sean diferentes, será necesario definir una base de parámetros comunes.
A este proceso se le denomina Extensión Cilíndrica.
Sea una distribución posibilista del conjunto A sobre el parámetro definido por U1, dada por:
U1 = { 1, 2, 5 }
Y sea otra distribución posibilista del conjunto B sobre el parámetro definido por U2, tal que:
U2 = { 8, 10, 15 }
5/6.02/7.01/3.0/)(11
11 Ux
A xx
15/3.010/7.08/0.1/)(22
22 Ux
B xx
15
Extensión cilíndrica
Se define la extensión cilíndrica de A sobre el producto cartesiano de los parámetros U1 y U2, dado por U3 = U1xU2 como:
U2
8 10 15
1 (1,8) (1,10) (1,15)
U1 2 (2,8) (2,10) (2,15)
5 (5,8) (5,10) (5,15)
))15,5()10,5()8,5/((6.0
))15,2()10,2()8,2/((7.0
))15,1()10,1()8,1/((3.0/)(3
Ux
A xx
))15,5()15,2()15,1/((3.0
))10,5()10,2()10,1/((7.0
))8,5()8,2()8,1/((0.1/)(3
Ux
B xx
16
Proyección
Es el proceso inverso al de Extensión cilíndrica. De él se obtiene una distribución posibilista sobre un conjunto de parámetros inferior de acuerdo con:
donde sup es el valor supremo sobre el parámetro xn.
)},...,,({sup),...,,( 21121´ nAx
nA xxxxxxn
Ejemplo: Sea la distribución posibilista A(x,y) dada por:
A = 1.0/(1, 3) + 0.9/(1, 6) + 0.8/(1, 9) 0.7/(5, 3) + 0.6/(5, 6) + 0.5/(5, 9)
0.4/(8, 3) + 0.3/(8, 6) + 0.2/(8, 9)
tiene una proyección sobre Y, A´(x), dada por:
A´= 1.0/1 + 0.7/5 + 0.4/8
17
Reglas de Composición
Dados los conjuntos A y B, cuyas distribuciones de posibilidad son conocidas se define la distribución de posibilidad de una composición de ambas como:
A*B(x) = F*(A(x), B(x))
Unión: AB(x) = F(A(x), B(x))
Intersección: AB(x) = F(A(x), B(x))
Complemento: ¬A(x) = F ¬(A(x))
F(A(x), B(x)) S-norma
F(A(x), B(x)) T-norma
Normalmente las funciones AB(x), AB(x) y ¬A(x) serán dependientes de la semántica del conjunto. Sin embargo, se pueden simplificar tales funciones suponiendo que dependen solamente de las distribuciones de los conjuntos A y B por separado.
18
Simplificación 1: Comportamiento monótono
)()( xxBA BA
Por ejemplo: coches_veloces coches
)_()_(_ cochemicochemi cochevelocescoches
Dado que se verifica: A A BB A BA B AA B B
entonces por la simplificación anterior deben verificarse también:A(x) AB(x)B(x) AB(x)AB(x) A(x)AB(x) B(x)
AB(x) max(A(x), B(x))
A B(x) min(A(x), B(x))
Esto implica que deben cumplirselas siguienes restricciones sobre las operaciones de unión e intersección
19
Simplificación 2: Definición del complementario
Para definir la distribución del conjunto complementario se asume la siguiente simplificación:
1)()( xx AA
Lo que equivale a:
)(1)( xx AA
20
Operadores de Zadeh:
Zadeh estableció como definición de las leyes de pertenencia a los conjuntos intersección y unión las cotas máximas y mínimas respectivamente de dichos conjuntos:
AB(x) max(A(x), B(x))
AB(x) min(A(x), B(x))
AB(x) = max(A(x), B(x))
AB(x) = min(A(x), B(x))
¬A(x) = 1 - A(x)
Estas definiciones no están exentas de paradojas, por ejemplo:
A¬A(x) = max(A(x), 1 - A(x)) 1
Un elemento puede no pertenecer “del todo” a un conjunto y su complementario
A¬A(x) = min(A(x), 1 - A(x)) 0
Un elemento puede pertenecer a un conjunto y su complementario
21
ppp bamax1
1)1()1(,01 ppp bamax1
1,0 ),( p
ababba
)1(1)2(
))(1( abbaab
),0(
1)1)(1(
1log111
sss ba
s
1)1)(1(
1logsss ba
s ),0( s
www bamin 1)(,1
www bamin1
)1()1(,11 ),0( w
),1,1()1,,(
bamaxbaminabba
),,( bamaxab
)1,0(
1
11
11
1
1
ba
),0( 1
11
11
1
1
ba
Uniones difusas Intersecciones difusas Rango
22
Lógica Difusa
• Se construye a partir de la teoría de conjuntos difusos• El grado de verdad o certeza de una proposición p es un valor en el contínuo [0,1]
proposición p: X es A
p(x) = A(x)
Para completar el cálculo de proposiciones se definen los conectores AND, OR y NOT
p q : (X es A) (Y es B)p q : (X es A) (Y es B) p: (X es A)
23
Lógica Difusa
Para completar el cálculo de proposiciones se definen los conectores AND, OR y NOT
p q : (X es A) (Y es B)p q : (X es A) (Y es B) p: (X es A)
Puede ocurrir que las distribuciones posibilistas p y q no estén definidas sobre la misma base de parámetros. En ese caso es necesario extender cilíndricamente dichas distribuciones.
Por otro lado debe recordarse que :pq(x) max(p(x), q(x))
pq(x) min(p(x), q(x))
24
Lógica Difusa
En general, definiremos las funciones and(), or() y not() como:
pq(x) = or(p(x), q(x))
pq(x) = and(p(x), q(x))
¬p(x) = not(p(x))
En el caso más general:
pq(x,y) = or(p(x), q(y))
pq(x,y) = and(p(x), q(y))
Las funciones and(), or() y not() son dependientes de la semántica de las proposiciones o Universo del Discurso. Deben verificar en cualquier caso las siguientes relaciones para ser compatibles con los valores booleanos en el límite de no borrosidad:
25
Lógica Difusa
Las funciones and(), or() y not() son dependientes de la semántica de las proposiciones o Universo del Discurso. Deben verificar en cualquier caso las siguientes relaciones para ser compatibles con los valores booleanos en el límite de no borrosidad:
or(1, u) = 1or(0, u) = uand(1, u) = uand(0, u) = 0not(1) = 0not(0) = 1
Un conjunto muy amplio de funciones cumplen estas restricciones.
Dos modelos muy empleados son los siguientes
Modelo de Zadeh:
or1(u, v) = max(u, v)and1(u, v) = min(u, v)not(u) = 1 - u
Modelo Pseudoprobabilístico:
or2(u, v) = u + v - u·vand2(u, v) = u·vnot(u) = 1 - u
26
Lógica Booleana
A) p p 1
B) p p 0
C) p (q r) (p q) r
D) p (q r) (p q) r
E) p (q r) (p q) (p r)
F) p (q r) (p q) (p r)
G) (p q) p q
H) (p q) p q
Modelo de Zadeh
or1(u, v) = max(u, v)and1(u, v) = min(u, v)not(u) = 1 - u
A) max(u, 1- u) 1
B) min(u, 1 - u) 0
C)
D)
E)
F)
G)
H)
27
Lógica Booleana
A) p p 1
B) p p 0
C) p (q r) (p q) r
D) p (q r) (p q) r
E) p (q r) (p q) (p r)
F) p (q r) (p q) (p r)
G) (p q) p q
H) (p q) p q
Modelo Pseudoprobabilístico
or2(u, v) = u + v -u·vand2(u, v) = u·vnot(u) = 1 - u
A) u + (1- u) - u·(1-u) 1
B) u·(1 - u) 0
C)
D)
E)
F)
G)
H)
28
Demostración de la primera ley de Morgan
p q=max(p,q)
p q p 1 - p 1 - p
p < q q 1 - q 1 - q
(p q)=1-max(p,q) p q = min(1-p,1-q)
(p q) p q
p q
p+ q - p·q 1 - p - q + p·q (1 - p)(1 - q) = 1 - p - q + p·q
(p q) p q
29
Inferencia Difusa
La operación de implicación se puede expresar en la forma:
p q : si (X es A) entonces (Y es B)
donde A y B son variables lingüísticas definidas como conjuntos difusos sobre los universos de discurso de X e Y respectivamente.
Ejemplos:
• Si la presión es baja entonces el volumen es grande
• Si el tomate es rojo entonces está maduro
• Si la velocidad es alta entonces frenar ligeramente
30
Inferencia Difusa
El principal problema para establecer un valor de certeza a este operador estriba en definir una interpretación del mismo.
Sea imp() una función que proporciona la certeza en una fórmula con implicación. Veamos posibles interpretaciones:
31
A) Basada en la equivalencia siguiente, válida en el límite booleano p q ¬ p q
p q p q ¬ p ¬p q ¬ q p ¬q ¬(p ¬q)
T T T F T F F TT F F F F T T FF T T T T F F TF F T T T T F T
))()),((())(),((),( yqxpnotoryqxpimpyxqp
De acuerdo con esta interpretación y según los operadores ya definidos:
imp1(u, v) = max(1 - u, v)imp2(u, v) = (1 - u) + v - (1 - u)·v
))))((),((())(),((),( yqnotxpandnotyqxpimpyxqp
32
B) Basada en la idea: “La certeza del consecuente es superior o igual a la conjunción del antecedente e implicación”
p (p q) q (modus ponens)
)()))(),((),(( yqyqxpimpxpand vvuimpuand )),(,(
B1) min(u, imp(u, v)) v
B2) u * imp(u, v)) v
vuv
vuvuimp
1),(3
vuuv
vuvuimp
1),(4
C) Implicación de Lukasiewicz
imp5(u, v) = min(1 - u + v, 1)
33
Modus Ponens
Empleando alguna de las definiciones anteriores de implicación es posible definir el proceso de inferencia difusa empleando “modus ponens”.
p (p q) q
Dadas las certezas de un antecedente y la de la implicación, la determinación de la certeza del consecuente se realiza en base a una función generadora del modus ponens que denominaremos mod() La función mod() debe verificar una serie de propiedades, algunas de las cuales son las siguientes:
a) mod(u, imp(u, v)) v
b) mod(1, 1) = 1
c) mod(0, u) = v
d) u v mod(u, w) mod(v, w)
a) La función mod() tiene como cota superior la certeza del consecuente
b) Este es el límite booleano del modus ponens
c) De un antecedente completamente falso puede concluirse cualquier cosa
d) La función mod() debe ser monótona creciente con la certeza del antecedente
34
Funciones generadoras del modus ponens que resultan de las definiciones de la función implicación presentadas anteriormente:
uvv
uvvuvumaxvuimp
1
10),(1mod),1(),(1
0)0,1(
00),(2mod1),(2
uvumax
uvuvuuvuimp
),(),(3mod1
),(3 vuminvuvuv
vuvuimp
vuvuvuuv
vuvuimp
),(4mod1
),(4
)0,1(),(5mod)1,1(),(5 vumaxvuvuminvuimp
35
Todas estas expresiones son válidas para la realización de inferencia en casos análogos al siguiente:
regla: si (x es A) entonces (y es B)premisa: (x es A)
(y es B)
),( yxqp)(xp
)(yq
Y también en casos como el siguiente, donde A y A’ poseen la misma base de parámetros:
regla: si (x es A) entonces (y es B)premisa: (x es A’ )
(y es B’)
),( yxqp)(
'x
p
)('y
q
),(),('
modsup)('
yxqpxpx
yq
regla: si (el coche es viejo) entonces (el coche es ruidoso)premisa: (el coche es bastante viejo)
(el coche es bastante ruidoso)
36
Razonamiento difuso basado en la composición Max-Min
Sean A y A’ conjuntos difusos en X y sea B otro conjunto difuso en Y. Supongamos que la implicación difusa (A B) definida sobre X x Y se expresa como:
))(),((),( yB
xA
minyxBA
Nótese que esta definición de la implicación no es sino una expresión equivalente a imp3(u, v).
vuv
vuuvuminumin )),(,(
Consideremos la regla,si (x es A) entonces (y es B)
y la premisa (x es A’ )
El conjunto difuso inducido B’, se define según hemos visto como
),(),(
'modsup)(
'yx
BAx
Axy
B
),()(
'yx
BAx
Ax
37
1. Una regla con un único antecedente
)(
)()()('
))(),((),('
sup)('
yB
w
yB
xA
xAx
yB
xA
minxA
minx
yB
Para este caso la ecuación anterior se transforma en:
donde w representa un índice de compatibilidad entre la premisa y el antecedente de la regla.
x
A A’
x
w
B
B’
38
si (x es A) y (y es B) entonces (z es C) (x es A’ ) y (y es B’ )
(z es C’ )
2. Una regla con dos antecedentes
Una regla de este tipo puede representarse por una implicación A x B C de manera que:
)(),(),(),,( zC
yB
xA
minzyxCAxB
)(),(),(,)('
),(',
sup
),,(,)('
),(',
sup)('
zC
yB
xA
minyB
xA
minminyx
zyxCAxB
yB
xA
minminyx
zC
39
)(),(),(,)(
'),(
',sup)(
'z
Cy
Bx
Aminy
Bx
Aminmin
yxz
C
)(21
)()()('
)()('
)()()()('
)(',
)()()()('
)(',)(
'
zC
ww
zC
yB
yByx
Ax
Ax
zC
yB
xA
yB
xAyx
zC
yB
xA
yB
xAyxz
C
donde w1 w2 se puede asociar con el grado de satisfacción o intensidad de disparo de la regla
40
x
A A’
x
w1
C
C’
)(21
)()()('
)()('
)()()()('
)(',
)()()()('
)(',)(
'
zC
ww
zC
yB
yByx
Ax
Ax
zC
yB
xA
yB
xAyx
zC
yB
xA
yB
xAyxz
C
2. Una regla con dos antecedentes
x
B B’
w2
min
41
3. Múltiples reglas con múltiples antecedentes
La interpretación de múltiples reglas se toma usualmente como la unión de las inferencias difusas obtenidas de cada una de las reglas.
hecho: (x es A’ ) y (y es B’ )regla 1: si (x es A1) y (y es B1) entonces (z es C1)regla 2: si (x es A2) y (y es B2) entonces (z es C2)
consecuencia: (Z es C’ )
Resulta intuitivo observar que del caso anterior C’ = C1 C2
42
x
A1 A’
x
w11
C1
C’1
x
B1 B’
w12
min
x
A2 A’
x
w21C2
C’2
x
B2 B’
w22
x
C’
max
43
Cuando una regla difusa asume la forma
“si (x es A) o (y es B) entonces (z es C)”
la intensidad de disparo de la regla (w) viene dada por el máximo de los grados de correspondencia de los antecedentes. Esto es:
donde:
)(21)(' zCwwzC
)(')('1 xAxAxw )(')('2 yByByw
44
Métodos de concentración (Defuzzification)
La utilización de reglas de inferencia difusas produce, tras la evaluación, un conjunto difuso para cada variable del modelo:
Ejemplo:
si (x es X) entonces (D es A) si (y es Y) entonces (D es B) si (z es Z) entonces (D es C)
El conjunto resultante D es un conjunto difuso que representa a una cierta variable D a la que normalmente es necesario asignar un valor escalar.
x
A
y
B
y
C
y
D
Valor escalar
45
Métodos de concentración (Defuzzification)
x
menor de maximos
media de maximos
mayor de maximos
centroide
Posibles medidas
Todos son métodos heurísticos para encontrar “el valor” que mejor representa o sintetiza la información contenida en el conjunto difuso.
Uno de los más empleados:
Centroide:
iix
iixix
d)(
)(
46
Un caso de estudio:
Control Difuso de una turbina de vapor
Introducción:
Se pretende controlar la inyección de
combustible en una turbina de vapor al objeto
de mantener constante la velocidad. La
cantidad de combustible que se consume por
unidad de tiempo (tasa de consumo) se
incrementa o disminuye mediante la apertura
o cierre, repectivamente, de la válvula de
inyección en función de la temperatura y la
presión en la caldera.
47
Se pretende controlar la inyección de combustible en una turbina de vapor al objeto de mantener constante la velocidad. La cantidad de combustible que se consume por unidad de tiempo (tasa de consumo) se incrementa o disminuye mediante la apertura o cierre, repectivamente, de la válvula de inyección en función de la temperatura y la presión en la caldera.
Sensor de temperatura
Sensor de presión
Controlador de la
válvula de inyección
Planta de la turbina
P(t)
T(t)
Sensores
Sensor RPM
RPM(t)
I(t)
Sensor RPM
RPM(t)
48
1. Descomponer cada variable del modelo en un conjunto de regiones difusas (vocabulario de cada variable)
110 220 330 ºC
1
MU
Y_B
AJA
BA
JA
OPTIM
A
ALT
A
MU
Y_A
LTA
TEMPERATURA
49
10 120 230 Kg/m2
1
MU
Y_B
AJA
BA
JA
OPTIM
A
ALT
A
MU
Y_A
LTA
PRESIÓN
50 -60 0 60 cm/sg
1 CE
RR
AR
_MU
CH
O (
CM
)
CE
RR
AR
(C
)
DE
JAR
_IG
UA
L (O
K)
AB
RIR
(A
)
AB
RIR
_MU
CH
O (
AM
)
ACCIONES SOBRE LA VÁLVULA
CE
RR
AR
_UN
_PO
CO
(C
P)
AB
RIR
_UN
_PO
CO
(A
P)
51
2. Sintetizar las reglas de control (base de conocimiento)
Por ejemplo:
[R1] Si la temperatura es baja y la presión es muy_bajaentonces la acción sobre la válvula es abrir_mucho
[R2] Si la temperatura es baja y la presión es bajaentonces la acción sobre la válvula es abrir
[R3] Si la temperatura es baja y la presión es óptimaentonces la acción sobre la válvula es dejar_igual
[R4] Si la temperatura es baja y la presión es altaentonces la acción sobre la válvula es cerrar
52
3. El Algoritmo
A. Leer los sensores de presión y temperaturaB. Hacer solución(x) = 0C. Para todas la reglas cuyos antecedentes no sean nulos
C.1 Obtener el mínimo de todos los predicados conectados por operadores conjuntivos (AND) en el antecedente de la regla.
Pcerteza = min(E1, E2, ..., En)
C.2 Obtener la certeza de la regla control(x) = min( regla(x), Pcerteza )
C.3 Asignar el conjunto difuso obtenido en control(x) al conjunto solución mediante una operación de máximo (OR)
solución(x) = max( solución(x), control(x) )
D. Concentrar solución(x) (p.e. obteniendo el centroide) para obtener el valor escalar que requiere la acción de control.
53
Veamos como funciona
Supongamos que tras leer los sensores, la presión cae dentro del dominio de los conjuntos difusos OPTIMA y BAJA; y la temperatura se incluye dentro del conjunto difuso BAJA.
Las reglas cuyos antecedentes no son nulos son:
[R2] Si la temperatura es baja y la presión es bajaentonces la acción sobre la válvula es abrir
[R3] Si la temperatura es baja y la presión es óptimaentonces la acción sobre la válvula es dejar_igual
54
110 220 330 ºC
1
MU
Y_B
AJA
BA
JA
OPTIM
A
ALT
A
MU
Y_A
LTA
10 120 230 Kg/m2
1
MU
Y_B
AJA
BA
JA
OPTIM
A
ALT
A
MU
Y_A
LTA
-60 0 60 cm/sg
1
CER
RA
R_M
UC
HO
(C
M)
CER
RA
R (
C)
DEJA
R_I
GU
AL
(OK
)
AB
RIR
(A
)
AB
RIR
_MU
CH
O (
AM
)
CER
RA
R_U
N_P
OC
O (
CP)
AB
RIR
_UN
_PO
CO
(A
P)
55
110 220 330 ºC
1 BAJA
10 120 230 Kg/m2
1 BAJA
-60 0 60 cm/sg
1 ABRIR (A)
0.480.57
110 220 330 ºC
1 BAJA
10 120 230 Kg/m2
1 OPTIMA
-60 0 60 cm/sg
1 DEJAR_IGUAL (OK)
Temperatura Presión
Acciones de controlsobre la vávula
-60 0 60 cm/sg
1 DEJAR_IGUAL (OK)
Centroide= 23 cm/sg
0.48
0.25
56
Bibliografía.
[Cox-94] E. CoxThe Fuzzy Systems HandbookAcademic Press, 1994
[Bend-96] E. BenderMathematical Methods in Artificial IntelligenceIEEE Computer Society Press, 1996.