Professional Documents
Culture Documents
Lógica clásica
y lógica difusa:
Facetas
que las caracterizan
Classical logic and diffuse logic: facets that
characterize them
Resumen:
Abstract:
91
Estoa No. 2 / 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
Las proposiciones pueden ser simples Podría continuarse con la revisión de otros conceptos de la lógica
(primigenias, atómicas) o compuestas. clásica, tales como: la implicación lógica, la equivalencia lógica, argu-
Las atómicas se combinan con otras a mentos, cuantificadores, etc., pero de lo que en realidad se trata es de
través de los operadores o conectores: ¬ estructurar una breve introducción a las lógicas clásica y difusa, en la
(negación), A (conjunción), V (disyunción), intención de caracterizarlas.
— (bicondicional), para formar las deno-
minadas proposiciones compuestas. La lógica clásica asigna a las proposiciones simples o compuestas
solamente uno de los valores de verdad (verdadero: 1 o falso: 0),
De esta manera, si p y q son dos proposicio- no admite posición intermedia alguna entre estos dos valores, de
nes simples, mediante el uso de estos ope- lo cual sí presume la lógica difusa. A este respecto, Ponce (2011),
radores, se tiene: manifiesta: Las computadoras manejan datos precisos que se re-
ducen a cadenas de unos (1) y ceros (0) y proposiciones que son
Negación ciertas y falsas. El cerebro humano puede razonar con informa-
La negación de la proposición p se denota ción que involucra incertidumbre o juicios de valor como: “el aire
por ˜p y se lee “no p”. es frío” o “la velocidad es rápida”. Además, las personas tienen un
sentido común que les permite razonar en un mundo donde las
Conjunción cosas son parcialmente ciertas. La lógica difusa es una rama de
La conjunción de p, q se expresa p A q y se lee la IA que le permite a una computadora analizar información del
“p y q” y es verdadera cuando tanto p como mundo real en una escala entre lo falso y verdadero.
q son verdaderas.
Surge entonces la interrogante: ¿cómo determinar valores de ver-
Disyunción dad con cierto grado de certeza o falsedad?, valores comprendi-
La disyunción de p, q se expresa p V q, se dos entre dos extremos de situaciones o fenómenos reales que
lee “p o q” y es verdadera cuando p es llevan implícito cierto grado de imprecisión al tratar de describir
verdadera o q es verdadera o las dos son su naturaleza. Al referirnos a la temperatura por ejemplo, sus dos
verdaderas. extremos de baja o alta, pueden cambiar a un estado intermedio
de templado o aproximarse cada vez más a frío o caliente. En este
Condicional caso, no es posible identificar o precisar un punto simple de tem-
La condicional de p, q se expresa p — q, se plado. Es cuando -para solucionar situaciones como ésta- entra en
lee “si p entonces q” y es falsa cuando la función la denominada lógica difusa; pero ¿en qué consiste exacta-
proposición p (hipótesis) es verdadera y la mente esta lógica?
proposición q (conclusión) es falsa.
La lógica difusa es un conjunto de principios matemáticos ba-
Bicondicional sados en grados de membresía o pertenencia, cuya función es
La bicondicional de p, q se expresa p — q modelar información. Este modelado se hace con base en reglas
y se lee “p si y sólo si q” y es verdadera lingüísticas que aproximan una función mediante la relación de
cuando las proposiciones p, q tienen el entradas y salidas del sistema (composición). Esta lógica presenta
mismo valor de verdad.
92
Estoa No. 2/ 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
93
Estoa No. 2 / 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
94
Estoa No. 2/ 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
FACETA LÓGICA
• Ciencia de los principios formales y nor- • Se refiere a los principios formales del razona-
mativos del razonamiento (series de siste- miento aproximado. Se caracteriza por su fle-
mas lógicos bivaluados). xibilidad, su tolerancia con la imprecisión, y su
capacidad para modelar problemas no lineales.
• Centra su atención en la forma lógica que
adoptan los pensamientos para construir • Es importante al momento de representar co-
lenguajes formales con claridad y preci- nocimiento en base a información incompleta,
sión. imprecisa o bajo incertidumbre.
FACETA DE CONJUNTOS
LÓGICA CLÁSICA LÓGICA DIFUSA
• Estudia los sistemas formales en relación • Se aplica a conjuntos cuya frontera no está de-
con el modo en el que codifican conceptos finida con precisión. Situación que se relaciona
intuitivos de objetos matemáticos como: con la mayoría de las aplicaciones de la lógica
conjuntos, números, demostraciones y difusa en las matemáticas.
computación.
• Para la representación de los grados de perte-
• Trabaja con conjuntos clásicos en los cua- nencia de cada uno de los elementos que con-
les se especifican las propiedades y perte- forman el conjunto difuso se deben extraer los
nencia de sus elementos. datos del fenómeno que se va a representar, y
con ellos definir la forma de la función de mem-
• Un conjunto A es matemáticamente equi- bresía.
valente a la función de pertenencia. Co-
nocer esta función es conocer el conjunto • Existen funciones de membresía convencionales
como tal. que permiten realizar un mapeo de un universo
nítido a un universo difuso (grados de membre-
• Aquellos conjuntos de proposiciones que sía entre 0 y 1).
siempre son verdaderas se denominan tau-
tologías y aquellas que siempre son falsas • En la lógica difusa no existen tautologías pero sí
contradicciones. Si una proposición condi- cuasi-tautologías, ya que las proposiciones no
cional, por ejemplo, es una tautología, se adquieren valores de 0 o 1 como en la lógica
denomina implicación. booleana, sino que contemplan valores de per-
tenencia entre 0 y 1.
95
Estoa No. 2 / 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
FACETA RELACIONAL
• Se relaciona con ciertas partes de la lógica • Se relaciona con funciones que no se en-
formal, dispuestas a estudiarse matemáti- cuentran definidas con precisión. Situa-
camente y modelarse. ción predominante en las aplicaciones de
procesamiento de datos y de control auto-
• Se direcciona hacia el estudio de las teo- mático.
rías: de conjuntos, de modelos, de la de-
mostración y de recursión; cuatro campos • Posee la capacidad de reproducir de for-
que se constituyen en el pilar fundamental ma aceptable los modos usuales del razo-
de la lógica matemática. namiento, donde la certeza de un enun-
ciado es cuestión de grado.
• Tiene estrechas conexiones con las cien-
cias de la computación y la lógica filosófica. • Tiene reglas tomadas de expertos, pero
cuando no hay experto, los sistemas difu-
• Estudia los sistemas formales, en relación sos adaptativos aprenden las reglas, obser-
con el modo en el que se codifican no- vando cómo la gente manipula sistemas
ciones intuitivas de objetos matemáticos reales.
como conjuntos, números, demostracio-
nes y computación.
FACETA EPISTÉMICA
• Esta fase concuerda de alguna manera con • Esta fase tiene cierta vinculación con la
la fase lógica, y tiene que ver con la signifi- fase lógica y relaciona significado, decisión
cación, la decisión y el conocimiento. y conocimiento. Se orienta hacia las apli-
caciones en los campos del conocimiento,
• La lógica tradicional considera a la verdad lenguaje, información y probabilidad.
configurada como algo libre de contradic-
ciones y nuevas determinaciones que enri- • En la antigüedad, los filósofos griegos atri-
quecen el conocimiento. buían grados de veracidad y falsedad, es de-
cir grados de pertenencia a los enunciados.
• En la actualidad ya no se admiten “verda-
des eternas”, sino verdades imperfectas, • En la década de los años ochenta se desa-
con elementos acaso contradictorios, pero rrolla la primera aproximación para cons-
susceptibles a ser considerados a través truir reglas inherentes a la lógica difusa, a
del incesante desarrollo de la ciencia. partir de datos de entrenamiento utiliza-
dos como herramienta para investigar mo-
• Si ciertos principios son principios del co- delos difusos.
nocimiento y no suposiciones utópicas aje-
nas a la formación epistemológica, debe • En los años noventa, además de las redes
admitirse lo contradictorio y paradójico, neuronales y los sistemas difusos, hacen
que pasan de ser elementos nocivos al co- su aparición los algoritmos genéticos. Tres
nocimiento para transformarse en un po- técnicas computacionales complementa-
tencial que promueve su progreso. rias que se constituyen en una poderosa
herramienta de los campos de sistemas de
• Se la considera como caso límite de la lógi- control en la actualidad.
ca difusa.
La lógica matemática no es la “lógica de las ma- • Los sistemas difusos son una alternativa a
temáticas” sino la “matemática de la lógica”. las nociones de pertenencia y lógica que se
iniciaron en la Grecia antigua.
96
Estoa No. 2/ 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
R A S
CONTROLADOR PROCESO
CONCLUSIÓN
Lo expresado hasta ahora conduce a la determinación de cran información masiva y distorsionada procedente
algunos aspectos que caracterizan a las lógicas clásica y del entorno natural, y ha servido de inspiración para
difusa. Caracterizaciones que diversifican la concepción de la elaboración de nuevos modelos de procesamien-
cada una de ellas, considerando a la lógica clásica como to y control en el manejo eficaz de conceptos vagos
ciencia de los principios formales y normativos del razo- e imprecisos, tales como los sistemas neuronales y
namiento, que centra su atención en la forma lógica de borrosos, sistemas que llevan a cabo un prototipo de
adoptar los pensamientos para la construcción de lengua- razonamiento aproximado. Estas tecnologías, relati-
jes formales con claridad y precisión, y a la lógica difusa, vamente jóvenes, permiten la inclusión de un deter-
como ciencia de los principios formales del razonamiento minado tipo de inteligencia en los sistemas de pro-
aproximado, flexible y tolerante con la imprecisión, capaz cesamiento y control, cualidad que, de acuerdo a la
de modelar problemas no lineales. opinión de expertos en el tema, coadyuvará ulterior-
mente en la construcción de computadoras capaces
En el campo de la lógica clásica, las computadoras compi- de emular la destreza humana en la toma de decisio-
lan datos precisos, transformándolos en cadenas de unos nes en situaciones imprecisas y con ruido.
(1) y ceros (0), es decir, procesan la información en función
de la lógica booleana y manejan proposiciones que son o SISTEMAS DE CONTROL BORROSO
ciertas o falsas, base primordial de los actuales sistemas
de procesamiento digital. No obstante de sus notables e A manera de introducción al control borroso, a conti-
incuestionables resultados, esta lógica lleva implícita cierta nuación se describe la estructura típica de un contro-
problemática al momento de abordar y procesar situacio- lador basado en un sistema borroso, según Martín y
nes que acarrean consigo información masiva, imprecisa y Sanz (2010).
distorsionada. En la lógica difusa, en cambio, las computa-
doras analizan información del mundo real, asignan dife- Los sistemas expertos de control borroso basados en
rentes grados de pertenencia a los elementos de un con- reglas, conocidos como controladores borrosos o FLC
junto, entre verdadero (1) y falso (0), manipulan conceptos (Fuzzy Logic Controllers), o también, sistemas de infe-
imprecisos como “caliente” o “húmedo” -por ejemplo-, y rencia borrosa o FIS (Fuzzy Inference Systems), son sin
solucionan de esta manera situaciones que no son posibles duda la aplicación más extendida de la lógica borrosa.
en la lógica clásica a través de modelos de procesamiento
y control, sistemas basados en la lógica borrosa y las redes Como se puede observar en la figura 2, para controlar
neuronales. un proceso o sistemas se hace uso de un módulo con-
trolador que recibe como entradas una o varias varia-
SISTEMAS BORROSOS Y REDES NEURONALES bles de control llamadas generalmente referencias (R)
y una o varias variables de salida del propio proceso (S)
Estamos siendo testigos de un profundo cambio en la produciendo como salida una o varias variables que se
orientación de la ciencia, un cambio desde las ciencias de conocen como actuadores (A). Normalmente el obje-
lo natural a las ciencias de lo artificial, de la observación y tivo del control es mantener R = S, por ejemplo, en el
análisis a la manipulación y la síntesis, y de la búsqueda de caso de una calefacción doméstica, el controlador re-
la precisión al tratamiento de la omnipresente imprecisión cibe una consigna de temperatura que fija el usuario
del mundo real. Fragmento del pensamiento redactado por y mide la temperatura de la habitación por medio de
el profesor Zadeh en el prólogo del libro Redes neuronales y un sensor. En función de los valores de estas dos entra-
sistemas borrosos de Martín y Sanz (2010). das, el controlador conecta o desconecta el sistema de
calentamiento, si la calefacción es eléctrica actuando
La naturaleza, en sus muchísimos años de evolución, ha sobre los radiadores de cada habitación, y si es de gas o
venido resolviendo y procesando situaciones que involu- fuel encendiendo o apagando el quemador.
97
Estoa No. 2 / 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
CONTROLADOR FLC
R
FLC
POSTPROCESADO
BORROSIFICADOR DESBORROSIFICADOR
PREPROCESADO
X Y A X Y
BASE DE REGLAS
S DISPOSITIVO DE
INFERENCIA BORROSA
Figura 3: Estructura de un controlador (el núcleo Figura 4: Estructura de un controlador borroso o FLC
FLC es el controlador borroso)
La estructura típica de un controlador basado en un sistema entradas correspondientes sin ejecutar instruccio-
borroso puede verse en la figura 3. Un primer bloque realiza nes. La computadora almacena los resultados en
un procesado de las variables de entrada que proporciona el una memoria, mientras que una red neuronal no
vector de entradas al controlador borroso o FLC. El controla- almacena conocimiento a manera de instrucciones
dor borroso aplica la entrada que recibe a la base de reglas en una memoria, su poder radica en su topología
para obtener la salida. Finalmente, esta salida puede requerir y en los valores de las conexiones entre neuronas,
un procesado final (postprocesado), con el fin de adecuarla denominados pesos.
al proceso que se ha de controlar, el tipo de preprocesado y
postprocesado determina la clase de controlador e influye de Analogías entre una neurona biológica
forma considerable en sus propiedades. y una neurona artificial
La estructura interna de un controlador borroso o FLC se Xi Señales de entrada que provienen de otras
muestra en la figura 4. Un primer elemento llamado borro- neuronas y que son capturadas por las den-
sificador realiza la conversión de valores discretos a términos dritas. Son valores reales.
borrosos. Su salida es utilizada por el dispositivo de inferencia
borrosa para aplicarla a cada una de las reglas de la base de Wi Pesos que representan la intensidad de la
reglas, siguiendo el método de inferencia seleccionado. sinapsis. Valores reales que pueden ser posi-
tivos (excitativos) o negativos (inhibitorios).
REDES NEURONALES
O Función umbral, necesaria para que se ac-
El cerebro humano posee la capacidad de procesar informa- tive la célula.
ción imprecisa suministrada por los sentidos de una manera
increíblemente rápida, y algo más sorprendente todavía, es En la figura 5, cada una de las señales de entrada
que aprende, sin instrucciones explícitas de ninguna clase, X1, X2,……Xn representa una variable continua
a crear representaciones internas de habilidades tales como que pasa a través de un peso sináptico o fortale-
distinguir un murmullo en un ambiente ruidoso, reconocer za de la conexión, su función es similar a la de la
un rostro en un lugar con poca iluminación, etc. La rapidez función sináptica de la neurona biológica. Todas
con que resuelve estos procesos y la eficiencia de su funcio- las señales de entrada son multiplicadas por los
namiento ha estimulado a científicos e investigadores a imi- pesos y acumuladas en el nodo (neurona) suma-
tarlo creando las denominadas Redes Neuronales Artificiales torio y conducidas hacia la salida por la función
(RNA), éstas tratan de simular a las redes neuronales bioló- umbral (función de transferencia). Una entrada
gicas, no requieren que las tareas a ejecutar se programen, neta a cada una de las unidades puede expresar-
generalizan y aprenden de la experiencia. se simbólicamente de la siguiente manera:
n
Las RNA no han alcanzado aún la complejidad del cerebro; sin netai = Wi Xi = XW
embargo, entre las redes biológicas y las artificiales existen dos i=1
características de similitud: la primera establece que las cone-
xiones entre neuronas determinan la función de la red y la se- La figura 6 corresponde a la de un sumador con
gunda se refiere a que los bloques de construcción de las dos amplificador operacional, y simboliza una neuro-
redes son elementos computacionales sencillos -desde luego las na artificial, que simula a una neurona biológica.
RNA son mucho más simples que las biológicas-. A diferencia de
una computadora en la cual el procesador lee instrucciones y las
ejecuta secuencialmente, las RNA responden en paralelo a las
98
Estoa No. 2/ 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
X1
X2 X1
W2 W1 X2 W1
W2
W3 W3
O X3 O J
X3 W4
J
W5
W4 W5 X4
X5
X4
X5
Figura 5
R
V1
V2 -
Vo
+
V3
Figura 6
99
Estoa No. 2 / 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
ENTRADA
g1
X1 O
W1
g2 X2 W
2 SALIDA
X3 W3 Xi Wi f(z)
g3 W4 AXÓN
X4
CUERPO
g4 DENDRITAS
AXONES SINAPSIS
Figura 7
El perceptrón
El perceptrón fue uno de los primeros modelos de redes ción, entre otras: monitoreo, diagnóstico, control
neuronales que se diseñaron. Pasados los años ochenta, de eficiencia de máquinas, predicciones en el
la inteligencia artificial amplió su campo de aplicación tiempo, decisiones, optimización, diseño, sona-
con el desarrollo de algoritmos modeladores de proce- res, mercadotecnia, análisis de inversiones, va-
sos mentales de alto nivel como la asociación de concep- loración de efectos sísmicos, solución de proble-
tos, deducción, inducción y razonamiento. Hay algunos mas de gerencia de construcción, control activo
tipos de redes neuronales, se diferencian por su estruc- estructural y diagnósticos de daño, pronóstico de
tura y, además del perceptrón se tienen el Backpropaga- caudales y nivel de agua de los ríos. En el campo
tion, Hopfield, y Kohonen. industrial, las redes neuronales son ampliamente
utilizadas, empleando modelos de ingeniería que
El perceptrón trabaja con funciones de activación y simu- incluyen conocimiento científico y tecnológico en
la el comportamiento de la neurona biológica. la industria cervecera, química, aérea, de alimen-
tos, de acero, vidrio, cemento y de las telecomu-
La figura 7 representa el esquema de un perceptrón para nicaciones.
reconocimiento de patrones.
La teoría de las RNA se encuentra en fase de
Zj: Sumador lineal de estímulos, representa el desarrollo y no ha alcanzado todavía su au-
cuerpo de la neurona. téntica potencialidad. Si bien, los investiga-
dores han desarrollado potentes algoritmos
f(zj): Función de activación no lineal, utiliza la de aprendizaje de gran valor práctico, las re-
suma de estímulos para determinar la salida. presentaciones y procedimientos de que se
sirve el cerebro son aún desconocidas. Los
Cada entrada es multiplicada por W, se suman los resul- estudios computacionales del aprendizaje con
tados y se los evalúa respecto del umbral O, el percep- RNA, en algún momento ulterior, terminarán
trón se activa cuando este valor es mayor al máximo. convergiendo hacia los métodos descubiertos
por evolución, entonces, será cuando muchos
Las redes neuronales varían de acuerdo al uso que se les datos empíricos inherentes al cerebro, comen-
vaya a dar a cada una de ellas, razón por la cual son de zarán repentinamente a adquirir sentido y se
diferentes modelos de aprendizaje y tipologías. Según los tornarán realizables muchas aplicaciones des-
estudiosos del tema, son múltiples sus áreas de aplica- conocidas de las redes neuronales.
100
Estoa No. 2/ 2013 / ISSN: 1390-9274
Juan Almache Cabrera
Lógica clásica y lógica difusa
BIBLIOGRAFÍA:
- Anderson, J. 2007. Redes neuronales, Alfaomega, México.
- Martín del B., Sanz, M., 2010. Redes neuronales y sistemas borrosos,
Alfaomega, México.
101
Estoa No. 2 / 2013 / ISSN: 1390-9274