class 03 fuzzy logic and classical logic
TRANSCRIPT
![Page 1: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/1.jpg)
Variables Lingüisticas y Lógica Difusa
Mg. Samuel Oporto Díaz Lima, 1 Octubre 2005
Introducción a la Lógica Difusa
![Page 2: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/2.jpg)
22/60/60
Tabla de Contenido• Variables Linguisticas• Modificadores Linguisticos• Reglas Difusas IF-THEN• Interpretación de las reglas difusas IF-THEN
![Page 3: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/3.jpg)
33/60/60
Mapa Conceptual del Curso
Conjuntos Difusos y Clásicos
Operaciones con Conjuntos
Difusos
Funciones de membresía
Relaciones en Conjuntos
Difusos
Principio de Extensión
Variables Lingüísticas
Lógica Clásica y Lógica Difusa
Reglas de Inferencia Difusas
Inferencia Difusas
Fusificadores y Defusificadores
Conjuntos Difusos
Operaciones Difusas
Lógica DifusaFusificadores y Defusificadores
Inferencia Difusa
Introducción a la Lógica Difusa
![Page 4: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/4.jpg)
44/60/60
VARIABLES LINGÜISTICAS
![Page 5: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/5.jpg)
55/60/60
Variables Lingüisticas• Es una variable cuyos posibles valores son palabras y
pueden ser representados mediante conjuntos difusos.
• Permite describir el estado de un objeto o fenómeno. Para ello usamos una variable cuyo valor hace la descripción.
• Una variable lingüística admite que sus valores sean Etiquetas Lingüísticas, que son términos lingüísticos definidos como conjuntos difusos (sobre cierto dominio subyacente).
![Page 6: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/6.jpg)
66/60/60
Variables Lingüisticas• Una variable numérica toma valores numéricos
Edad = 65• Una variable lingüística toma valores linguisticos:
Edad es viejo• Un valor linguistico es un conjunto difuso
• Todos los valores linguisticos forman un conjunto de términos o etiquetas.
• T(age) = {young, not young, very young, middle aged, not middle aged, old, not old, very old, more or less old, not very young and not very old, ...}
![Page 7: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/7.jpg)
77/60/60
Ejemplos• Variable lingüística “edad”:
– Valores lingüísticos: Joven, Mediana Edad y Viejo– Admite valores numéricos: números reales en [0, Emax]– Se pueden proyectar los valores lingüísticos sobre el intervalo:
[0, Emax] mediante funciones de pertenencia.
![Page 8: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/8.jpg)
88/60/60
Ejemplos• Variable lingüística “temperatura”:
– Valores lingüísticos: Muy Frio, Frio, Templado, Caliente, Muy Caliente.
– Admite valores numéricos: números reales en [Tmin, Tmax]– Se pueden proyectar los valores lingüísticos sobre el intervalo:
[Tmin, Tmax] mediante funciones de pertenencia.
![Page 9: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/9.jpg)
99/60/60
Dominio Subyacente• El dominio subyacente es el dominio numérico, en nuestros
dos ejemplos la edad y la temperatura.• Un valor concreto, crisp (25ºC, por ejemplo):
– Es más específico que una etiqueta lingüística.– Es un punto del conjunto, mientras que una etiqueta lingüística
es una colección de puntos (temperaturas posibles).
• Existen variables cuya definición es más compleja porque se mueven en dominios subyacentes poco claros y no es natural trasladarlos a valores numéricos, por ejemplos: Limpieza, Sabiduría, Verdor...
![Page 10: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/10.jpg)
1010/60/60
Utilidad de las VL• Es una forma de comprimir información llamada
granulación (granulation):1. Una etiqueta incluye muchos valores posibles.
2. Ayuda a caracterizar fenómenos que o están mal definidos o son complejos de definir o ambas cosas.
3. Es un medio de trasladar conceptos o descripciones lingüísticas a descripciones numéricas que pueden ser tratadas automáticamente (Relaciona o traduce el proceso simbólico a proceso numérico).
4. Usando el principio de extensión, muchas herramientas ya existentes pueden ser extendidas para manejar variables lingüísticas, obteniendo las ventajas de la lógica difusa en gran cantidad de aplicaciones.
![Page 11: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/11.jpg)
1111/60/60
Definición formal
Una Variable Lingüística es un conjunto de 5 elementos:
<N, U, T(N), G, M>
N es el nombre de la variable.
U es el dominio subyacente.
T(N) es el conjunto de términos o etiquetas que puede tomar N.
G es una gramática para generar las etiquetas de T(N):
“muy alto”, “no muy bajo”, “normal”, “bajo y normal”….
M es una regla semántica que asocia cada elemento de T(N) con un conjunto difuso en U de entre todos los posibles:
M: T(N) F (U)
![Page 12: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/12.jpg)
1212/60/60
Funciones de Membresía
( ; , , ) max min , ,0x a c x
x a b cb a c b
trimf
( ; , , , ) max min ,1, ,0x a d x
x a b c db a d c
trapmf
2
1( ; , , )
1bx a b cgbellmf
x cb
21
2( ; , , )x c
gau x a b c essmf
![Page 13: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/13.jpg)
1313/60/60
Granularidad• Es el número de valores que se definen para una variable
linguistica• Normalmente se usa un conjunto pequeño de valores para
una variable lingüística.
Granularidad fina (fine): Define un gran número de valores para una variable lingüística.
Granularidad gruesa (coarse):Define un pequeño número de valores.
![Page 14: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/14.jpg)
1414/60/60
Ejercicio 1• Diseñe las funciones de membresia para modelar las
siguientes variables lingüisticas, indique las etiquetas que puede tomar:
• Intensidad de pixel en una imagen de 8 bits.• Grado de conocimiento del profesor en la materia.• Grado de aprendizaje del alumno en la materia.• Grado de avance en el proyecto final del curso KDD.
• Indique y especifique las funciones de membresía para cada caso.
![Page 15: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/15.jpg)
1515/60/60
MODIFICADORES LINGUISTICOS
![Page 16: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/16.jpg)
1616/60/60
Modificadores Lenguisticos• Los valores de una variable lingüística pueden ser:
– Primarios– Compuestos
• Los valores primarios son los valores inicialmente definidos
• Un valor compuesto se obtiene anteponiendo a un valor primario modificadores linguisticos como MUY, NO, MAS O MENOS, ..., o combinando valores primarios mediante conectivos lógicos AND, OR, NOT.
![Page 17: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/17.jpg)
1717/60/60
Modificadores Linguisticos• Cada modificador (hedge) es un operador H que transforma
el conjunto difuso del término primario L al que afecta en otro conjunto difuso:
Modificadores Linguisticos:1. Concentración.2. Dilatación.3. Intensificación del contraste.4. Difuminación.
Operadores Lógicos:1. NOT2. AND3. OR
![Page 18: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/18.jpg)
1818/60/60
1. Concentración• Se elevar la función de membresía primaría a un valor p,
dado que p > 1.
– MAS
μMAS F (u) = (μF (u) )1.5
– MUY
μMUY F (u) = (μF (u) )2
![Page 19: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/19.jpg)
1919/60/60
2. Dilatación• Es la raiz n-ésima o elevar p, tal que p Є [0, 1]
– MAS O MENOS
μMASOMENOS F (u) = (μF (u) )0.5
– MENOS
μMENOS F (u) = (μF (u) )0.75
– POCO
μPOCO F (u) = (μF (u) )0.75
![Page 20: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/20.jpg)
2020/60/60
3. Intensificación• Disminuir valores menores que 0.5 y aumentar los
mayores.
– ESPECIALMENTE
μESPECIALMENTE F (u) =
– BASTANTE CERCA DE
μBASTANTE CERCA DE F (u) =
![Page 21: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/21.jpg)
2121/60/60
4. Difuminación• Aumentar valores menoras que 0.5 y disminuir los mayores.
– CERCA DE
μCERCA DE F (u) =
– CASI
μCASI F (u) =
![Page 22: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/22.jpg)
2222/60/60
Operadores Lógicos
Combinar valores mediante conectivos lógicos:
AND: t-norma (min)
OR : t-conorma (max)
NOT: complemento
![Page 23: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/23.jpg)
2323/60/60
Modificadores Linguisticos
![Page 24: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/24.jpg)
2424/60/60
Ejercicio 2• Sea U = {1,2,…,5} y el conjunto difuso pequeño definido
como:
• pequeño = {1/1 + 0.8/2 + 0.6/3 + 0.4/4 + 0.2/5}
Calcular:• Muy pequeño ={ /1 + /2 + /3 + /4 + /5}• Muy muy pequeño ={ /1 + /2 + /3 + /4 + /5}• Más o menos pequeño ={ /1 + /2 + /3 + /4 + /5}
![Page 25: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/25.jpg)
2525/60/60
Ejercicio 3• Considere la variable lingüística viejo, dado que la
variables está definida por:
• Determine la función de membresía de los terminos:
No muy viejo =
Mas o menos viejo =
Muy Viejo =
![Page 26: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/26.jpg)
2626/60/60
REGLAS DIFUSAS IF-THEN
![Page 27: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/27.jpg)
2727/60/60
Reglas IF - THEN difusas• Una parte del conocimiento humano es representado en
terminos de reglas IF – THEN clásicas.
• Este conocimiento también se puede hacer representar mediante reglas IF - THEN difusas.
• Una regla IF – THEN difusa es una sentencia condicional expresada como:
IF <proposición difusa> THEN <proposición difusa>
![Page 28: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/28.jpg)
2828/60/60
Proposición Difusa• Existen dos tipos de proposiciones difusas:
– Proposiciones difusas atomica.– Proposiciones difusas compuesta.
• Una proposiciones difusas es una sentencia simple.
x es A, x es una variable lingüística y A es una conjunto difuso
![Page 29: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/29.jpg)
2929/60/60
Proposición Difusa• Una propisición difusa compuesta es una composición de
proposiciones atomicas usando los conectivos AND, OR y NOT.
• y es L y x es F, las variables linguisticas por lo general no son las mismas.
• Las proposiciones difusas compuestas pueden ser entendidas como relaciones difusas y las Funciones de Membresía de las relaciones difusas son calculadas usando t-normas, s-normas y complementos.
![Page 30: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/30.jpg)
3030/60/60
Conectivos AND y OR• Use la intercepción difusa para el conectivo AND• y es B y x es A, es interpretado como la relación difusa:
A ∩ B in U x V con funciones de membresía.
• Use la unión difusa para el conectivo OR• y es B o x es A, es interpretado como la relación difusa:
A U B in U x V con funciones de membresía.
![Page 31: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/31.jpg)
3131/60/60
Conectivo NOT• Use el complemento difuso para el conectivo NOT
• Sea la proposición difusa:
FP = (x es S y x es not F) o x es M
• Entonces se puede diseñar una relación difusa con la siguiente función de membresía:
![Page 32: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/32.jpg)
3232/60/60
INTERPRETACION DE LA REGLA DIFUSA IF-THEN
![Page 33: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/33.jpg)
3333/60/60
Cuantificación de la Verdad• Obtener un conjunto difuso A tal que:
“X es Ai” es equivalente a τi = “X es A”.• El ti actúa como una restricción elástica: A(x) = ti (Ai (x)) x X
• A(x) = Verdad (Ai (x)) = Ai (x); A(x) = Muy_Verdad (Ai (x)) = A2i (x);• A(x) = Falso (Ai (x)) = 1–Ai (x); A(x) = Más o menos (Ai (x)) =A0.5i (x);
• Si ti = Falso, se está afirmando el hecho contrario. Por eso, podemos definir ti= Totalmente_Falso que toma el grado 0 en todo su universo [0,1], excepto para el valor 0, que toma grado 1.
![Page 34: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/34.jpg)
3434/60/60
Interpretación de la regla difusa IF-THEN
Formato General:
IF x es A entonces y es B
If x es A then y es B. antecedente
opremisa
consecuenteo
conclusión
![Page 35: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/35.jpg)
3535/60/60
Ejemplos• Si la presión es alta, entonces el volumen es pequeño.• Si el camino es deslizadizo, entonces el conducir es
peligroso.• Si un tomate es rojo, entonces es maduro.• Si la velocidad es alta, entonces aplique un pequeño freno.
• if pressure es high, then volume es small.• if the road es slippery, then driving es dangerous.• if a tomato es red, then it es ripe.• if the speed es high, then apply the brake a little.
![Page 36: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/36.jpg)
3636/60/60
Ejercicio 4• Diseñe 5 nuevas reglas difusas en los que los dominios
subyacentes sean diferentes.
![Page 37: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/37.jpg)
3737/60/60
IF p THEN q• En el cálculo proposicional clásico (lógica clásica), la
expresión IF p THEN q es escrito como p q donde la implicación es definida mediante la siguiente tabla.
p q p q
V V V
V F F
F V V
F F V
A B If x es A then y es B
![Page 38: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/38.jpg)
3838/60/60
IF p THEN q• Aquí pq es equivalent a (¬p V q) y a (pΛq)V¬p,
donde los simbolos representan operaciones logicas clásicas.
• Las reglas difusas IF-THEN son formadas reemplazando los operadores clasicos por sus correspondientes operadores difusos.
• Debido al número de operadores t-norma, s-norma y complemento existen varias interpretaciones de reglas difusas IF-THEN.
![Page 39: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/39.jpg)
3939/60/60
Reglas Difusas como Relaciones
If x is A then y is B.
, ,R A Bx y x y
R
Una regla difusa puede ser definida como una relación binaria con la siguiente función de membresía. Depende de como se
interprete A B
A B
![Page 40: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/40.jpg)
4040/60/60
Implicaciones Conocidas• Implicación Dienes-Rescher• Implicación Lakasiewics• Implicación Zadeh• Implicación Godel• Implicación Mandani
![Page 41: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/41.jpg)
4141/60/60
Implicación Dienes-Rescher•
![Page 42: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/42.jpg)
4242/60/60
Implicación Lakasiewics•
![Page 43: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/43.jpg)
4343/60/60
Implicación Zadeh•
![Page 44: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/44.jpg)
4444/60/60
Implicación Godel•
![Page 45: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/45.jpg)
4545/60/60
Interpretación de reglas difusas IF-THEN• ¿Qué criterio escogemos para combinar los operadores
difusos t-norma, s-norma y complemento?• ¿Son (¬p V q) y (pΛq)V¬p aún equivalentes a pq
cuando p y q son proposiciones difusas?
• Cuando p y q son proposiciones CRISP, pq es una implicación global.
• Cuando p y q son proposiciones DIFUSAS, pq es una implicación local en el sentido que pq tiene un valor de verdad grande unicamente cuando p y q tienen valores de verdad grandes.
• En terminos lógicos la regla se convierte en pq Ξ p Λ q
![Page 46: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/46.jpg)
4646/60/60
Implicación Mandani•
![Page 47: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/47.jpg)
4747/60/60
Interpretación de reglas difusas IF-THEN• Existen dos vías para interpretar
“if x es A then y es B”
A B A B
V V V
V F F
F V V
F F V
A
B
A vinculado con B
xx
yA acoplado con B
A
B
xx
y
-B
-B
![Page 48: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/48.jpg)
4848/60/60
Implicación difusa
![Page 49: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/49.jpg)
4949/60/60
Implificación difusa
![Page 50: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/50.jpg)
5050/60/60
Ejemplo• Sea x1 la velocidad de un carro, x2 la aceleración e y la
fuerza aplicada al acelerador.• Usando el producto algebraico para la t-norma en la
primera proposición y la implicación Dienes-Rescher, encuentre la función de membresía de la siguiente regla difusa:
IF x1 es slow y x2 es small THEN y es large
![Page 51: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/51.jpg)
5151/60/60
Ejemplo• Las funciones de membresía de los conjuntos difusos son:
![Page 52: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/52.jpg)
5252/60/60
Ejemplo• Los dominios de x1, x2 e y son U1 = [0, 100], U2 = [0, 30] y
V = [0, 3].
• Usando el producto algebraico para la t-norma de:
FP1 = x1 es slow y x2 es small
![Page 53: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/53.jpg)
5353/60/60
Ejemplo• Para la implicación Dianes-Reschr la regla es interpretada
como una regla difusa con función de membresía.
![Page 54: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/54.jpg)
5454/60/60
Ejemplo• El ultimo paso es convinar los resultados previo con
![Page 55: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/55.jpg)
5555/60/60
Ejemplo• La función de membresia es:
![Page 56: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/56.jpg)
5656/60/60
Ejercicio 5
![Page 57: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/57.jpg)
5757/60/60
Ejercicio 6
![Page 58: Class 03 Fuzzy Logic and Classical Logic](https://reader035.vdocument.in/reader035/viewer/2022062513/5571f8de49795991698e4482/html5/thumbnails/58.jpg)
5858/60/60
PREGUNTAS