Estado Del Arte Diuso

 

Evaluación de instrucciones difusas en un Evaluación procesador RISC  Los autores informan los resultados de mediciones dinámicas que evalúan la efectividad de un microprocesador específico de la aplicación para el control difuso y el procesamiento difuso de la información. Proponen especializar una arquitectura de microprocesador para operaciones de teoría difusa utilizando técnicas cuantitativas desarrolladas por diseñadores de la arquitectura de computación de conjuntos de instrucciones reducidas (RISC). En particular, se considera la introducción de instrucciones especializadas. Los resultados experimentales muestran que es posible alcanzar una velocidad de hasta 2.5 para un programa de control difuso mediante la introducción de dos instrucciones, min y max.

@INPROCEEDINGS{327522, author={H. {Watanabe} and D. {Chen}}, booktitle={[Proceedings booktitle= {[Proceedings 1993] Second IEEE International Conference on Fuzzy Systems}, title={Evaluation title={Evaluat ion of fuzzy instructions in a RISC processor}, year={1993}, volume={}, number={}, pages={521-526 pages={521-52 6 vol.1}, keywords={application keywords={ap plication specific integrated circuits;fuzzy control;fuz control;fuzzy zy logic;microprocessor chips;reduced instruction set computing;mi computing;min n instruction;max instruction; instruction;max instruction;fuzzy fuzzy instruction instructions;RISC s;RISC processor;app processor;application-specific lication-specific microprocessor;fuzzy microprocessor;f uzzy control;fuzz control;fuzzy y information processing;microprocessor architecture;fuzzy-theor architecture;f uzzy-theoretic etic operations;qu operations;quantitative antitative techniques;R techniques;Reduced educed instruction set computing;Microprocessors;Delay; computing;Microprocessors;Delay;Fuzzy Fuzzy control;Fuz control;Fuzzy zy sets;Application software;Information software;Information processing;Fuz processing;Fuzzy zy logic;Optimizing compilers;Computer compilers;Comp uter science}, doi={10.1109/FUZZY.1993.327522}, ISSN={null}, month={March},}

 

Modelado difuso utilizando un nuevo sistema difuso compacto: una aplicación especial para la predicción de las propiedades mecánicas de los aceros aleados  Resumen: 

En los casos de modelado de alta dimensión, un enfoque de modelado difuso basado en la división en cuadrícula de conjuntos difusos siempre enfrenta grandes desafíos, ya que no puede evitar el problema de introducir una gran cantidad de reglas difusas. Para abordar este problema, en este documento se propone un nuevo paradigma de modelado difuso basado en particiones de cuadrícula para construir un sistema difuso compacto mediante la inclusión de "reglas breves breves", en las que solo se utilizan unas pocas premisas estratégicas. En el enfoque propuesto, la generación de reglas difusas está orientada a datos, una consideración que puede reducir en gran medida la complejidad computacional. También se diseña un nuevo marco para el razonamiento difuso y la defuzzificación, que emplea algunos datos de referencia archivados para ayudar a elegir las reglas difusas más adecuadas. En ingeniería de materiales, La descripción del comportamiento de las propiedades mecánicas de las aleaciones es a menudo un problema de modelado de alta dimensión, que implica la complejidad de los compuestos químicos de los materiales y sus mecanismos de procesamiento físico subyacentes. En este documento, el enfoque propuesto se aplicó con éxito para generar modelos de resistencia final a la tracción de acero aleado. En comparación con los paradigmas de modelado difuso basados en particiones de cuadrícula estándar, el nuevo método muestra una mejora tanto en complejidad como en interpretabilidad. En comparación con los enfoques de modelado difuso basados en la agrupación, el método propuesto puede alcanzar el mismo nivel de precisión y es más transparente. El enfoque propuesto se aplicó con éxito para generar modelos de máxima resistencia a la tracción del acero aleado. En comparación con los paradigmas de modelado difuso basados en particiones de cuadrícula estándar, el nuevo método muestra una mejora tanto en complejidad como en interpretabilidad. En comparación con los enfoques de modelado difuso basados en la agrupación, el método propuesto puede alcanzar el mismo nivel de precisión y es transparente. propuesto aplicó con éxito para generar modelos de más máxima resistenciaEla enfoque la tracción del acerosealeado. En comparación con los paradigmas de modelado difuso basados en particiones de cuadrícula estándar, el nuevo método muestra una mejora tanto en complejidad como en interpretabilidad. En comparación con los enfoques de modelado m odelado difuso basados en la agrupación, el método propuesto puede alcanzar el mismo nivel de precisión y es más transparente. @INPROCEEDINGS{6007730, author={Q. {Zhang} and M. {Mahfouf}}, booktitle={2011 booktitle= {2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011)}, title={Fuzzy modelling modelling using a new compact fuzzy system: A special application

 

to the prediction of the mechanical properties of alloy steels}, year={2011}, volume={}, number={}, pages={1041-1048}, keywords={alloy steel;data mining;fuzzy reasoning;fuzzy set theory;fuzz keywords={alloy theory;fuzzy y systems;materials science computing;pa computing;pattern ttern clustering;tensile strength;fu strength;fuzzy zzy system;mechanical properties;alloy steels;grid partitioning;f partitioning;fuzzy uzzy sets;fuzzy rules;fuzzy reasoning;d reasoning;defuzzification; efuzzification;material material engineering;ch engineering;chemical emical composites;tensile composites;ten sile strength;clust strength;clustering-based ering-based fuzzy modelling;Fuzzy modelling;Fuzzy systems;Fuzzy sets;Steel;Data models;Pred models;Predictive ictive models;Mechan models;Mechanical ical factors;fuzzy;high-dimension factors;fuzz y;high-dimensional al modelling;gri modelling;grid d partitioning;in partitioning;interpretabilit terpretability;short y;short fuzzy rule;alloy steel;mechanical property}, doi={10.1109/FUZZY.2011.60 doi={10.1109 /FUZZY.2011.6007730}, 07730}, ISSN={1098-7584}, month={June},}

Software especializado para aplicaciones de lógica natural difusa y transformación difusa  Resumen: 

En este artículo, se presentan tres sistemas especiales de software de informática suave. Los sistemas se basan en los resultados originales en dos áreas: lógica natural difusa y transformación difusa. El primer software es el controlador LFL, que es un sistema SW universal que se puede utilizar en el control c ontrol difuso o lingüístico, y en la toma de decisiones. El sistema implementa resultados de lógica natural difusa, a saber, la teoría de las expresiones lingüísticas evaluativas y la deducción lógica basada en la percepción. Esto significa s ignifica que la estrategia de control o decisión se define directamente en lenguaje natural. Además, también puede realizar el control difuso clásico sobre la base de la interpretación relacional de las reglas difusas IFTHEN. Este sistema tiene una amplia gama de aplicaciones y ya se s e aplicó en el control de plantas reales. El segundo sistema es LFL Forecaster, que es un SW especializado para el análisis y pronóstico pronó stico de series de tiempo. El análisis se realiza utilizando la transformación F y el pronóstico utilizando resultados de lógica natural difusa. El tercer sistema es FT-Studio, que es un SW especializado para el cálculo de la transformación difusa de funciones que se pueden definir mediante una fórmula o mediante datos. @INPROCEEDINGS{6891565, author={V. {Novak} and V. {Pavliska} and R. {Valäsek}},

 

booktitle={2014 booktitle={201 4 IEEE International Conferen Conference ce on Fuzzy Systems (FU (FUZZ-IEEE)}, ZZ-IEEE)}, title={Specialized title={Specializ ed software for fuzzy natural logic and fuzzy transform applications}, year={2014}, volume={}, number={}, pages={2337-2344}, keywords={fuzzy keywords={fu zzy logic;fuzzy set theory;nat theory;natural ural languages;soft languages;software ware engineering;transforms;special engineering;t ransforms;special soft computing software systems;fuzzy natural logic;LFL controller;universal SW system;linguistic control;decision control;decision-making;linguistic making;linguist ic expression evaluation;perception-ba evaluation;perception-based sed logical deduction;natural deduction;na tural language;fuzzy control;fuz control;fuzzy zy IF-THEN rules;LFL forecaster;time series forecasting;time series analysis;F-transform;FTstudio;fuzzy studio;fuz zy transform of functions;Pr functions;Pragmatics;Transforms agmatics;Transforms;Fuzzy ;Fuzzy sets;Context;Natural sets;Context ;Natural languages;Soft languages;Software ware systems}, doi={10.1109/FUZZ-IEEE.2014.6891565}, doi={10.1109/FUZZ-IEEE.2014.68 91565}, ISSN={1098-7584}, month={July},}

Aplicación de lógica difusa a problemas de diseño y configuración de ingeniería: una encuesta  Resumen: 

Durante la última década, la lógica difusa se utilizó con éxito para resolver problemas del mundo real, en particular en ingeniería, gestión, medicina, tráfico, etc. Se han desarrollado tecnologías como el control difuso, el análisis de datos difusos y el análisis de decisiones difuso de criterios múltiples. m últiples. Solía resolver muchas aplicaciones importantes. Sin embargo, solo hay un pequeño número de enfoques publicados relacionados con la aplicación de la lógica difusa a problemas de diseño de ingeniería. Por otro lado, lidiar con la imprecisión en el diseño es muy importante, porque el proceso de diseño podría verse como un proceso para reducir la imprecisión de forma iterativa. Describimos y comparamos tres enfoques alternativos para el diseño y la configuración de ingeniería difusa: un método m étodo de imprecisión y diseño; un método que trata con requisitos imprecisos del usuario para construir o seleccionar un artefacto de diseño óptimo; y un enfoque difuso de toma de decisiones con criterios múltiples.

 

@INPROCEEDINGS{552335, author={H.. -. {Zimmermann author={H {Zimmermann}} and H. -. {Sebastian}}, booktitle={Proceedings booktitle= {Proceedings of IEEE 5th International Fuzzy Systems}, title={Application title={Applicat ion of fuzzy logic to engineering design and configuration problems-a survey}, year={1996}, volume={2}, number={}, pages={1120 vol.2-}, keywords={fuzzy keywords={fu zzy logic;fuzzy logic;engineering design;engine design;engineering ering configuration;imprecision;impr configuration; imprecision;imprecise ecise user requiremen requirements;optimal ts;optimal designartifact;fuzzy artifact;fuzz y multi-criter multi-criteria ia decision making approach;Fuzzy logic;Design engineering;Fuzzy engineering;Fu zzy sets;Fuzzy systems;Software design;Softw design;Software are tools;Application tools;Applicat ion software; software;Bridges;Systems Bridges;Systems engineering and theory}, doi={10.1109/FUZZY.1996.552335}, ISSN={null}, month={Sep.},}

Análisis de regresión difusa utilizando RFLN y su aplicación.  Resumen: 

Cuando intentamos modelar un sistema complejo que incluye un ser humano como un componente importante, puede ser difícil representar el sistema mediante un modelo matemático determinista. La razón principal de esta dificultad es que el sistema en sí tiene algo de confusión sobre el juicio subjetivo de un ser humano. En este artículo, proponemos difuso con RFLN (redelde aprendizaje de difuso basadounenmétodo RCE), de queregresión es capazno delineal extraer automáticamente conocimiento los expertos. RFLN es un modelo RCE extendido (energía de Coulomb restringida), por lo tanto, necesita pocas iteraciones en el aprendizaje y su aprendizaje adicional es fácil. El método propuesto tiene mayor flexibilidad que los modelos de regresión lineal difusa. Proponemos algoritmos de aprendizaje para identificar un modelo de intervalo no lineal que incluye aproximadamente todos los datos de entrada-salida dados. El método propuesto tiene características de aprendizaje más rápido y de aprendizaje adicional más fácil. La efectividad del método se muestra mediante experimentos numéricos.

 

@INPROCEEDINGS{616343, author={ {Xinxue Zhang} and S. {Omachi} and H. {Aso}}, booktitle={Proceedings booktitle= {Proceedings of 6th International Fuzzy Systems Conference}, title={Fuzzy regression analysis using RFLN and its application}, year={1997}, volume={1}, number={}, pages={51-56 vol.1}, keywords={statistical keywords={st atistical analysis;fuzzy set theory;fuzzy neural nets;learnin nets;learning g (artificial intelligence);fuzzy logic;fuzzy regression analysis;fuzziness;fuzzy nonlinear regression method;RCE-based fuzzy learning network;extended restricted Coulomb energy model;nonlin model;nonlinear ear interval model;Regres model;Regression sion analysis;Humans;Fuzzy analysis;Human s;Fuzzy systems;Neural networks;Fuzzy sets;Vectors;M sets;Vectors;Marketing arketing and sales;Quality management;Fuzzy neural networks;Lin networks;Linear ear systems}, doi={10.1109/FUZZY.1997.616343}, ISSN={null}, month={July},}

Cómo extraer asociaciones lingüísticas utilizando la transformación difusa  Resumen: 

En este documento, se propone un método para las asociaciones mineras compuesto por números difusos en el antecedente y para evaluar expresiones lingüísticas (es decir, expresiones como pequeño, muy grande, más o menos medio, etc.) en consecuencia. El método principal es la transformación difusa y una cierta aplicación de la teoría lógica de la evaluación de expresiones lingüísticas. @INPROCEEDINGS{4216878, author={I. {Perfilieva} and V. {Novak} and A. {Dvorak}}, booktitle={NAFIPS 2006 - 2006 Annual Meeting of the North American Fuzzy Information Processing Society}, title={How to Mine Linguistic Associations using Fuzzy Transform}, year={2006}, volume={}, number={}, pages={645-648},

 

keywords={computational keywords={comput ational linguistics;data mining;fuzzy set theory;natural language processing;fuzzy transform;ling transform;linguistic uistic associations;mining associations;fuzzy associations;fu zzy numbers; numbers;linguistic linguistic expressions;Fu expressions;Fuzzy zzy sets;Virtual reality;Natural languages;Fuzzy logic;Mathema logic;Mathematical tical model;Shape;Filtering;Kerne model;Shape;Fi ltering;Kernel;Differentia l;Differentiall equations;Data compression}, doi={10.1109/NAFIPS.2006.365485}, ISSN={null}, month={June},}

Aplicación industrial de comparación de imágenes borrosas en control de calidad   Para los datos de imagen representados como conjuntos difusos, se utiliza una relación difusa especial, llamada analogía, para comparar imágenes. Los conjuntos difusos que representan imágenes se definen en función de las características elementales de la imagen y la denominada partición. Se dan ejemplos de aplicaciones industriales. @INPROCEEDINGS{619749, author={R. {Felix} and R. {Albersmann} and S. {Reddig}}, booktitle={Proceedings booktitle= {Proceedings of 6th International Fuzzy Systems Conference}, title={Industrial title={Indu strial application of fuzzy image comparison in quality control}, year={1997}, volume={3}, number={}, pages={1405-1409 vol.3}, pages={1405-1409 keywords={computer keywords={com puter vision;image representat representation;quality ion;quality control;produ control;production ction control;computational control;comput ational complexity;fuzzy set theory;image matching;fuzzy image comparison;quality comparison;qu ality control;fuz control;fuzzy zy set theory;fuzzy relation;grid partitioning;elementary partitioning;e lementary image characteristics;image analysis;image representation;computation representat ion;computational al complexity;FuzzyImageDesk;Ind complexity;FuzzyImageDesk;Industrial ustrial control;Fuzzy control;Quality control;Quality control;Fuzz control;Fuzzy y sets;Image edge detection; detection;Image Image representation;Industrial representat ion;Industrial relations;Image analysis;Ident analysis;Identity-based ity-based encryption;Pattern encryption;Pat tern recognition}, doi={10.1109/FUZZY.1997.619749},

 

ISSN={null}, month={July},}

Una aplicación de redes neuronales difusas para un análisis de estabilidad de sistemas de control   difusos. Resumen: 

Los autores presentan un método para analizar la estabilidad de los sistemas de control difusos utilizando redes neuronales difusas (FNN). Los FNN son capaces de adquirir reglas difusas y ajustar las funciones de membresía automáticamente con el algoritmo de aprendizaje de retropropagación (BP). Un FNN se utiliza para obtener un modelo difuso del objeto controlado. El otro FNN está entrenado para adquirir un modelo difuso del controlador. También se presenta una nueva definición de la estabilidad de los sistemas de control difusos. Usando el controlador difuso y el modelo difuso obtenido para el objeto controlado, un análisis de estabilidad basado en la definición propuesta se realiza lingüísticamente y es muy m uy fácil de entender.

@INPROCEEDINGS{327434, author={T. {Furuhashi} and S. -. {Horikawa} and Y. {Uchikawa}}, booktitle={[Proceedings booktitle= {[Proceedings 1993] Second IEEE International Conference on Fuzzy Systems}, title={An application of fuzzy neural networks to a stability analysis of fuzzy control systems}, year={1993}, volume={}, number={}, pages={369-374 pages={369-37 4 vol.1}, keywords={backpropagation; keywords={ba ckpropagation;control control system analysis;fuzzy control;ne control;neural ural nets;stability;fuzzy nets;stability;f uzzy neural networks;stab networks;stability ility analysis;fuzzy control systems;fuzzy rules;tuning;membership rules;tuning ;membership functions;b functions;backpropagation; ackpropagation;learning learning algorithm;f algorithm;fuzzy uzzy model;Fuzzy control;Fuzzy neural network networks;Stability s;Stability analysis;Automatic control;Neural networks;Fuzzy reasoning;Electronic mail;Fuzzy systems;Contr systems;Control ol systems;Equations}, doi={10.1109/FUZZY.1993.327434},

 

ISSN={null}, month={March},}

FLIC: agrupación invariante lineal difusa para aplicaciones en control difuso   

Resumen:

Presentamos un nuevo método para la agrupación difusa que es útil para derivar reglas de tipo Takagi-Sugeno "si x es A / sub k /, entonces y = g / sub k / (x)". A diferencia de los trabajos anteriores, donde el algoritmo c-means se usa primero para formar grupos con un solo centro de puntos y luego se forman g / sub k / (x) por separado para cada grupo, nosotros formamos los grupos y su representante más general g / sub k / (x) 's simultáneamente. Las reglas obtenidas por nuestro método dan un error 50% menor en la predicción de y a partir de x que el obtenido por los métodos anteriores. Los grupos obtenidos por nuestro método son invariables bajo transformaciones lineales generales: traslación, rotación y escalamiento es calamiento diferencial de las coordenadas. Los clústeres obtenidos por el algoritmo c-means no son invariables bajo escala diferencial. @INPROCEEDINGS{375099, author={S. {Kundu} and {Jianhua Chen}}, booktitle={NAFIPS/IFIS/NASA booktitle= {NAFIPS/IFIS/NASA '94. Proceedings of the First International Joint Conference of The North American Fuzzy Information Processing Society Biannual Conference. The Industrial Fuzzy Control and Intellige}, title={FLIC: fuzzy linear invariant clustering for applications in fuzzy control}, year={1994}, volume={}, number={}, pages={196-200}, keywords={fuzzy keywords={fu zzy control;fuz control;fuzzy zy logic;invariance;fuzzy logic;invariance;fuzzy set theory;pred theory;predictive ictive control;fuzzy control;fuzz y linear invariant clustering;fuzz clustering;fuzzy y control;Takagi-Sugeno control;Takagi-Sugeno type rules;c-means algorithm;d algorithm;differential ifferential scaling;coordinate rotation;coordinate translation;fuzzy translation;f uzzy logic;fuzzy set theory;Fuz theory;Fuzzy zy control;Clustering control;Clustering algorithms;Takagi-Sugeno algorithms;Takag i-Sugeno model;Fuzzy sets;Fuzzy systems;Applicat systems;Application ion software;Computer software;C omputer science;Power engineering and energy;Power system sys tem management;Engineering management;E ngineering management}, doi={10.1109/IJCF.1994.375099},

 

ISSN={null}, month={Dec},}

Una nueva relación difusa y su aplicación a los módulos de reglas de entrada única conectan el sistema de inferencia difusa  Resumen: 

El principio de las proporciones se ha aplicado a muchos problemas del mundo m undo real, por ejemplo, las formulaciones de proporción de parte a parte y de parte a todo. Como es difícil para los humanos proporcionar una proporción exacta en muchas situaciones reales, introducimos una proporción difusa en este documento. Utilizamos algunas nociones de aritmética difusa para analizar las proporciones difusas capturadas de los humanos. Se demuestra una aplicación de la relación difusa formulada a un Sistema de Inferencia Difusa conectado a Módulos de Reglas de Entrada Única (SIRMsFIS). En lugar de usar un peso preciso, se emplean conjuntos difusos para representar la importancia relativa de cada módulo de reglas. Los pesos difusos resultantes se explican como una relación difusa difus a en un dominio de peso. Además, se diseña un nuevo modelo SIRMs-FIS con pesos difusos y una relación difusa de parte a todo. Se presenta un ejemplo simulado para aclarar el modelo SIRM-FIS propuesto. @INPROCEEDINGS{6891614, author={C.. H. {Jong} and K. M. {Tay} and C. P. {Lim}}, author={C booktitle={2014 booktitle= {2014 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)}, title={A new fuzzy ratio and its application to the single input rule modules connected fuzzy inference system}, year={2014}, volume={}, number={}, pages={1586-1590}, keywords={fuzzy reasoning;part-to-part ratio formulations;part-to-whole ratio formulations;fuzzy arithmetic;single input rule modules connected fuzzy inference system;SIRMs-FIS;fuzzy weights;part-to-whole weights;part-to-whole fuzzy ratio;Fuzzy sets;Fuzzy logic;Fuzzy systems;Proteins; systems;Proteins;Concrete;Con Concrete;Conferences;Fuz ferences;Fuzzy zy reasoning;Fuzzy reasoning;Fuz zy ratio;fuzz ratio;fuzzy y arithmetic;singl arithmetic;single e input rule modules connected fuzzy inference system;fuzzy weights}, doi={10.1109/FUZZ-IEEE.2014.68 doi={10.1109 /FUZZ-IEEE.2014.6891614}, 91614}, ISSN={1098-7584}, month={July},}

 

Modificación de modelos de reglas basadas en la subsecuencia difusa ponderada con cuantificadores difusos  Resumen: 

El uso de cuantificadores difusos en modelos lingüísticos difusos ayuda a construir sistemas difusos que usan términos lingüísticos de una manera más natural. Aunque se han desarrollado varias técnicas de cuantificación difusa, la aplicación de las técnicas existentes parece muy limitada. Este artículo propone una aplicación de cuantificación difusa para reemplazar los pesos nítidos en modelos de reglas difusas basadas en la subsecuencia. Además de la preocupación de que los modelos difusos deben tener una alta tasa de precisión, también se ha prestado atención para mantener la simplicidad del modelo difuso generado. El objetivo es producir modelos difusos basados en cuantificadores que no solo sean legibles sino también prácticamente aplicables. El modelo difuso basado en cuantificador se aplica luego a las tareas de clasificación. Las precisiones de clasificación de los modelos difusos que usan pesos nítidos, cuantificadores continuos, se comparan cuantificadores de valores múltiples y cuantificadores de dos valores. Los resultados experimentales muestran que la precisión de clasificación del modelo difuso que usa cuantificadores continuos es: 1) tan buena como la precisión de clasificación de los modelos difusos que usan pesos nítidos, y 2) en la mayoría de los casos, mejor que los modelos difusos que usan valores múltiples cuantificadores o cuantificadores de dos valores. @INPROCEEDINGS{1375433, author={K. A. {Rasmani} and Q. {Shen}}, booktitle={2004 booktitle= {2004 IEEE International Conference on Fuzzy Systems (IEEE Cat. No.04CH37542)}, title={Modifying weighted fuzzy subsethood-based rule models with fuzzy quantifiers}, year={2004}, volume={3}, number={}, pages={1679-1684 pages={1679-1 684 vol.3}, keywords={fuzzy keywords={fu zzy set theory;comput theory;computational ational linguistics;pat linguistics;pattern tern classification;f classification;fuzzy uzzy systems;weighted fuzzy subsethood-based rule model;fuzzy quantifier;linguistic quantifier;linguistic fuzzy model;fuzzy system;fuzz system;fuzzy y quantificati quantification on technique;qu technique;quantifier-based antifier-based fuzzy model;classification accuracy;crisp weight;contin weight;continuous uous quantifier; quantifier;multivalued multivalued quantifier;two-valued quantifier; two-valued quantifier;Fuzzy logic;Fuzzy sets;Fuzzy systems;Natural

 

languages;Interpolation;Infor languages;Inte rpolation;Informatics;Tellurium;Tr matics;Tellurium;Training aining data}, doi={10.1109/FUZZY.2004.13 doi={10.1109 /FUZZY.2004.1375433}, 75433}, ISSN={1098-7584}, month={July},}

Algoritmos genéticos de ADN para el diseño de sistemas difusos  Resumen: 

Se propone un nuevo algoritmo genético de ADN (DNA-GA) basado en el mecanismo del ADN biológico y la información genética. Se discuten los operadores genéticos del  ADN-GA. El método de codificación de ADN es adecuado para la representación de conocimientos complejos. El DNA-GA se emplea para diseñar sistemas difusos generalizados (GFS) efectivos para las aplicaciones de modelado y control. GFS emplea reglas difusas arbitrarias, e (- | / spl alpha // sub 1 / x / sub 1 / + / spl alpha // sub 2 / |) - conjuntos difusos de entrada de tipo que contienen conjuntos difusos de entrada continua casi arbitraria, salida arbitraria de singleton conjuntos difusos, lógica difusa arbitraria AND, y el desempañador generalizado que contiene el desuzzizador centroide ampliamente utilizado como un caso especial. El DNA-GA se utiliza para seleccionar variables de entrada y para ajustar los parámetros de diseño y las funciones de membresía de GFS. Como tal, se pueden obtener los conjuntos de reglas difusas de GFS. @INPROCEEDINGS{839185, author={ {Lihong Ren} and {Yongsheng Ding} and {Shihuang Shao}}, booktitle={Ninth booktitle= {Ninth IEEE International Conference on Fuzzy Systems. FUZZ- IEEE 2000 (Cat. No.00CH37 No.00CH37063)}, 063)}, title={DNA genetic algorithms for design of fuzzy systems}, year={2000}, volume={2}, number={}, pages={1005-1008 pages={1005-1 008 vol.2}, keywords={fuzzy keywords={fu zzy systems;fuzzy logic;fuzzy control;fuzzy set theory;gene theory;genetic tic algorithms;DNA genetic algorithms;fuzzy systems;fuzzy control;fuzzy modeling;fuzzy modeling;fuz zy set theory;fuzzy logic AND;defu AND;defuzzifier;membe zzifier;membership rship functions;fuzzy functions;fu zzy rules;DNA;Gen rules;DNA;Genetic etic algorithms; algorithms;Algorithm Algorithm design and analysis;Fuzzy systems;Fuzzy sets;Fuzzy logic;Fuzzy control;Biological information theory;Encoding;Biological theory;Encoding;Biological system modeling}, doi={10.1109/FUZZY.2000.839185},

 

ISSN={1098-7584}, month={May},}

Diseño de un controlador dinámico difuso IC con aplicación para control de estacionamiento de garaje  Resumen: 

Los controladores difusos implementados en hardware pueden funcionar con un rendimiento mucho mayor que las implementaciones de software en microcontroladores estándar. En este artículo, se propone un controlador dinámico de lógica difusa (FLC) y sus arquitecturas de hardware. El FLC se realiza en un chip CLPD. Los circuitos presentados pueden generar dinámicamente resultados de inferencia difusos cuando se activan, por lo que no es necesario diseñar una ROM a gran escala para almacenar las reglas difusas. Incluso si aumentamos las resoluciones de las variables de entrada y salida y los universos de los discursos, los incrementos de los recuentos de puertas son muy pocos. Finalmente, se utiliza un sistema de control de estacionamiento de garaje para demostrar la efectividad del chip desarrollado. @INPROCEEDINGS{838665, author={ {Tzuu-Hseng {Tzuu-Hseng S. LLi} i} and {Cheng-Seng Hsu} and {Yu-Ji Su}}, booktitle={Ninth booktitle= {Ninth IEEE International Conference on Fuzzy Systems. FUZZ- IEEE 2000 (Cat. No.00CH37 No.00CH37063)}, 063)}, title={Design of a dynamic fuzzy controller IC with application to garage parking control}, year={2000}, volume={1}, number={}, pages={239-244 pages={239-24 4 vol.1}, keywords={fuzzy keywords={fu zzy control;contr control;controllers;digital ollers;digital integrated circuits;fuzzy logic;automobiles;fuzzy logic;automobile s;fuzzy controller;garage parking control;fuzzy logic;CLPD chip;fuzzy inference;gate counts;Fuzzy control;Application specific integrated circuits;Hardware;Application circuits;Hardwar e;Application software;Sof software;Software tware performance; performance;Software Software standards;Microcontrollers;Fuz standards;Micr ocontrollers;Fuzzy zy logic;Compu logic;Computer ter architecture;Lar architecture;Large-scale ge-scale systems}, doi={10.1109/FUZZY.2000.838665},

 

ISSN={1098-7584}, month={May},}

Análisis aproximado del gráfico difuso del nodo difuso y su aplicación  Resumen:   Al aplicar la teoría del gráfico difuso, podríamos analizar la información inexacta de manera eficiente e investigar la relación difusa por gráfico difuso. Extendemos la teoría del gráfico difuso y proponemos un gráfico difuso de nodo difuso. Lo transformamos en un gráfico difuso de nodo nítido utilizando la familia de la norma T. En este artículo, explicamos un gráfico difuso de nodo difuso y proponemos un nuevo "producto cuasi lógico" de la familia de normas T. Al utilizar esta nueva norma T, podríamos transformar razonablemente el gráfico difuso del nodo difuso en el gráfico difuso del nodo nítido. Además, ilustramos su efectividad a través del análisis de sociometría.

@INPROCEEDINGS{1375519, author={H. {Uesu} and H. {Yamashita} and H. {Suda} and K. {Shinkai}}, booktitle={2004 booktitle= {2004 IEEE International Conference on Fuzzy Systems (IEEE Cat. No.04CH37542)}, title={Approximate title={Appr oximate analysis of fuzzy node fuzzy graph and its application}, year={2004}, volume={2}, number={}, pages={873-877 pages={873-87 7 vol.2}, keywords={social keywords={so cial sc sciences;graph iences;graph theory;fuzzy set theory;fuzzy node fuzzy graph;fuzzy graph theory;crisp node fuzzy graph;T-norm family;quasilogical graph;fuzzy product;sociometry product;sociom etry analysis;Fuzzy sets;Information analysis;Graph theory;Fuzzy logic;Boundary logic;Boundar y conditions}, doi={10.1109/FUZZY.2004.13 doi={10.1109 /FUZZY.2004.1375519}, 75519}, ISSN={1098-7584}, month={July},}

Análisis de regresión difusa por redes neuronales difusas y su aplicación.  Resumen: 

En este artículo, proponemos método regresión difusa utilizando redes neuronales difusas cuando se un adjunta un de valor de membresía a cada par de entrada-

 

salida. En nuestro método, el valor de membresía representa el grado de importancia del par de entrada-salida correspondiente. Primero, mostramos la arquitectura de redes neuronales difusas que tienen pesos difusos y sesgos difusos. A continuación, definimos una función de costo que se basa en la relación de inclusión entre la salida difusa de la red neuronal difusa y el objetivo nítido correspondiente con un valor de membresía. Un algoritmo de aprendizaje se deriva de la función de costo. El algoritmo de aprendizaje derivado entrena la red neuronal difusa para que el objetivo nítido se incluya en eldeconjunto de niveles de la salida por el valor membresía del objetivo nítido.difusa real. El nivel establecido se define @INPROCEEDINGS{343690, author={A. {Miyazaki} {Miyazaki} and K. {Kwon} and H. {Ishibuchi} and H. {Tanaka}}, booktitle={Proceedings booktitle= {Proceedings of 1994 IEEE 3rd International Fuzzy Systems Conference}, title={Fuzzy regression analysis by fuzzy neural networks and its application}, year={1994}, volume={}, number={}, pages={52-57 vol.1}, keywords={statistical keywords={st atistical analysis;fuzzy neural nets;parallel architectures;learnin architectures;learning g (artificial intelligence);fuzzy set theory;fuzzy neural networks;fu networks;fuzzy zzy regression;membership regression;memb ership value;input-ou value;input-output tput pair;fuzzy weights;fuz weights;fuzzy zy biases;cost function;learning function;lear ning algorithm;inject algorithm;injection ion moldings;archite moldings;architecture;Fuzzy cture;Fuzzy neural networks;Regression networks;Regr ession analysis;Level set;Fuzz set;Fuzzy y sets;Cost function;Neural networks;Industrial networks;Ind ustrial engineering;H engineering;Humans;Injection umans;Injection molding;Welding}, molding;Welding}, doi={10.1109/FUZZY.1994.343690}, ISSN={null}, month={June},}

Agrupación rápida con aplicación para generación de reglas difusas  Resumen: 

Este artículo presenta un algoritmo de agrupación basado en c-medias difuso de muestreo aleatorio de varias etapas, que reduce significativamente el tiempo de cálculo requerido para dividir un conjunto de datos en clases c. Se utiliza una serie de subconjuntos del conjunto de datos completo para la clasificación clasif icación con el fin de proporcionar una aproximación a los centros de agrupación finales. La calidad de las particiones finales es equivalente a lalodeque lases c-medias difusas.significativo La aceleración normalmente un factor de 2-3 veces, especialmente paraes

 

espacios de grandes dimensiones y grandes conjuntos de datos. La agrupación se ha utilizado para generar reglas difusas para el control. En este artículo, mostramos que el algoritmo de agrupamiento basado en c-medias difuso de muestreo aleatorio de varias etapas se puede utilizar de manera efectiva para crear reglas difusas en el dominio de las imágenes de resonancia magnética donde más de 60,000 patrones y 3 características o atributos son comunes. @INPROCEEDINGS{409998, author={ {Tai Wai Cheng} and D. B. {Goldgof} and L. O. {Hall}}, booktitle={Proceedings booktitle= {Proceedings of 1995 IEEE International Conference on Fuzzy Systems.}, title={Fast clustering with application to fuzzy rule generation}, year={1995}, volume={4}, number={}, pages={2289-2295 pages={2289-2 295 vol.4}, keywords={fuzzy keywords={fu zzy logic;pattern classification;fast clustering;fuzzy rule generation;multistage generation;mu ltistage random sampling fuzzy cc-means -means based clustering algorithm;magnetic algorithm;magne tic resonance images;Clustering algorithms;Fuz algorithms;Fuzzy zy sets;Convergence;Partitionin sets;Convergen ce;Partitioning g algorithms;Image sampling;Magn sampling;Magnetic etic resonance;Iterative resonance;Iter ative algorithms;App algorithms;Application lication software;C software;Computer omputer science;Data engineering}, doi={10.1109/FUZZY.1995.409998}, ISSN={null}, month={March},}

Implementación de hardware versus emulación de software de algoritmos difusos en aplicaciones reales  Resumen: 

La lógica difusa se ha empleado ampliamente en muchas áreas de aplicación para la implementación de sistemas difusos de expertos y control. La lógica difusa se ha aplicado principalmente en el control de sistemas convencionales, como motores eléctricos, procesos industriales o regulaciones térmicas, y hoy en día la lógica difusa se utiliza principalmente para resolver problemas de control no lineal o en el procesamiento de señales. Para implementar algoritmos difusos para controlar

 

sistemas como lavadoras, lavavajillas o aire acondicionado, que son algunas de las aplicaciones disponibles actualmente en el mercado, se pueden utilizar dos enfoques diferentes. En el pasado, la implementación de software de algoritmos difusos representaba la única solución debido a la falta de procesadores difusos dedicados. Hoy en día, la solución de hardware está disponible y muestra muchas ventajas para una amplia gama de aplicaciones. @INPROCEEDINGS{687450, author={B.. {Giacalone} and M. {Lo Presti} and F. {Di Marco}}, author={B booktitle={1998 booktitle= {1998 IEEE International Confer Conference ence on Fuzzy Systems Proceedings. IEEE World Congress on Computational Intelligence (Cat. No.98CH36228)}, title={Hardware title={Hard ware implementation versus software emulation of fuzzy algorithms in real applications} applications},, year={1998}, volume={1}, number={}, pages={7-12 vol.1}, keywords={fuzzy keywords={fu zzy control;machin control;machine e control;elect control;electric ric drives;microcontrollers;process drives;microcontr ollers;process control;exper control;expertt systems;temper systems;temperature ature control;fuzzy control;fuzz y control;softwar control;software;fuzzy e;fuzzy processors;micr processors;microcontrollers;t ocontrollers;thermal hermal regulations;industrial regulations;ind ustrial process;electric drives;exper drives;expertt systems;Hardware;Emulation; systems;Hardwar e;Emulation;Fuzzy Fuzzy logic;Control systems;Applica systems;Application tion software;Signal software;Sign al processing algorithms;Fuzzy control;Fuzzy systems;Nonlin systems;Nonlinear ear control systems;Electric motors}, doi={10.1109/FUZZY.1998.687450}, ISSN={1098-7584}, month={May},}

Un código de lógica difusa de propósito general  Resumen: 

Los autores presentan resultados preliminares sobre el desarrollo de un código de desarrollo de aplicación lógica de propósito general. Se compone de dos módulos: un generador de programas y una biblioteca de funciones de lógica difusa. El generador de programas genera un código lógico difuso específico del problema. Permite al usuario modificar la regla y las funciones de membresía fácilmente sin tener que volver a escribir el código de lógica difusa. También hace que el código sea portátil en el sentido de que puede conectarse a cualquier proceso. La biblioteca de funciones de

 

lógica difusa es un código que utiliza el código de lógica difusa generado. Como ilustraciones, se presentan ejemplos de su uso en las áreas de modelado difuso y control de procesos difusos @INPROCEEDINGS{258748, author={N. K. {Alang-Rashid} and A. S. {Heger}}, booktitle={[1992 booktitle= {[1992 Proceedings] IEEE International Conference on Fuzzy Systems}, title={A general purpose fuzzy logic code}, year={1992}, volume={}, number={}, pages={733-742}, keywords={application keywords={ap plication generators;fuzzy logic;logic programming;logic programming;application programming;ap plication generators;fuzz generators;fuzzy y logic code;general purpose logic application development code;fuzzy logic function library;program generator;membership generator;mem bership functions;fuzzy modeling;fuzzy modeling;fuzzy process control;Fuz control;Fuzzy zy logic;Automatic programming;Libraries;Fuzzy programming;Libraries;Fuzzy control;Process control}, doi={10.1109/FUZZY.1992.258748}, ISSN={null}, month={March},}

FINEST: software de entorno de inferencia difusa con ajuste  Resumen: 

El proyecto de computación difusa en el Laboratorio de Investigación Internacional de Ingeniería Difusa (LIFE) ha desarrollado FINEST (Fuzzy Inference Environment Software with Tuning), un entorno de software para inferencia difusa con un mecanismo para ajustar el método de inferencia, así como los predicados difusos. Describimos las características especiales de FINEST, un ejemplo de uso y los campos de aplicación del sistema. @INPROCEEDINGS{410055, author={T. {Oyama} and S. {Tano} and T. {Miyoshi} and Y. {Kato} and T. {Arnould} and A. {Bastian} and M. {Umano}}, booktitle={Proceedings booktitle= {Proceedings of 1995 IEEE International Conference on Fuzzy Systems.},

 

title={FINEST: fuzzy inference environment software with tuning}, year={1995}, volume={5}, number={}, pages={3-4 vol.5}, keywords={programming environments;s keywords={programming environments;software oftware engineering;f engineering;fuzzy uzzy systems;inference systems;inferen ce mechanisms;FINE mechanisms;FINEST;fuzzy ST;fuzzy inference environmen environmentt software;tuning;Interna software;tun ing;International tional Fuzzy Engineering Research;LIFE;so Research;LIFE;software ftware environment;fuzzy environment;f uzzy predicates;Fuzzy ssystems;Fuzzy ystems;Fuzzy reasoning;Fuzzy neural networks;Systems networks;Syst ems engineering and theory;Ap theory;Application plication software;Software debugging;Software debugging;Sof tware design;Graph design;Graphics;Mice}, ics;Mice}, doi={10.1109/FUZZY.1995.410055}, ISSN={null}, month={March},}

Análisis de la estructura relacional del gráfico difuso y su aplicación: para analizar datos difusos de la relación humana  Resumen: 

En general, podríamos analizar eficientemente la información inexacta e investigar la relación difusa aplicando la teoría del gráfico difuso [1]. Extenderíamos la teoría del gráfico difuso y propondríamos un gráfico difuso de nodo difuso. Dado que un gráfico difuso de nodo difuso es complicado de analizar, lo transformaríamos en un gráfico difuso simple utilizando la familia de la norma T. Además, para investigar las relaciones entre nodos, definiríamos la tabla de contingencia difusa. En este artículo, debatiríamos sobre cinco temas, (1) la nueva norma T "Producto Uesu", (2) gráfico difuso de nodo difuso, (3) tabla de contingencia difusa, (4) análisis de decisión del gráfico difuso óptimo G ( λ 0 ) en la secuencia del gráfico difuso {G λ } y (5) su aplicación al análisis de sociometría. Al utilizar la teoría del gráfico difuso del nodo difuso, la nueva norma T y la tabla de contingencia difusa, podríamos aclarar la estructura relacional de la información difusa. De acuerdo con el método de decisión en la sección 2, podríamos encontrar el gráfico difuso óptimo G (λ 0 ) en la secuencia del gráfico difuso {G λ } y aclarar la característica estructural del gráfico difuso del nodo difuso. Además, ilustraríamos su efectividad práctica con el estudio de caso relativo al análisis de sociometría. @INPROCEEDINGS{6007573, author={H. {Uesu} and K. {Nagashima} and H. {Chung} and E. {Tsuda}}, booktitle={2011 booktitle= {2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011)},

 

title={Relational structure analysis of fuzzy graph and its application: For analyzing fuzzy data of human relation}, year={2011}, volume={}, number={}, pages={1593-1597}, keywords={fuzzy keywords={fu zzy set theory;graph theory;social sciences;relation sciences;relational al sstructure tructure analysis;analyzing fuzzy data;human relation;inexact information;fuzzy relation;optimal relation;optim al fuzzy graph theory;fuzzy node;T-norm family;fuzzy contingency table;decision analysis;fuzzy graph sequence;s sequence;sociometry ociometry analysis;fuzzy information;Conferences;P information; Conferences;Presses;Fuzzy resses;Fuzzy sets;Symmetric matrices;Transforms;Societies;Fu matrices;Transf orms;Societies;Fuzzy zzy systems;fuzzy node fuzzy graph;optimal fuzzy graph;sociometry analysis;T-norm;con analysis;T-norm;contingency tingency table}, doi={10.1109/FUZZY.2011.60 doi={10.1109 /FUZZY.2011.6007573}, 07573}, ISSN={1098-7584}, month={June},}

Un enfoque para la optimización de sistemas difusos intuitivos y de tipo 2 en aplicaciones de reconocimiento de patrones  Resumen: 

Los modelos matemáticos tradicionales funcionan con el tipo 0, lo que significa usar números precisos en los modelos, pero desde el trabajo seminal del profesor Zadeh en 1965, los modelos difusos tipo 1 surgieron como una forma poderosa de representar el conocimiento humano y los fenómenos naturales. Más tarde, el profesor Zadeh propuso modelos difusos de tipo 2 posteriores en 1975 y muchos investigadores han estudiado y aplicado más recientemente en problemas del mundo real. Además, como otra extensión de la lógica difusa tipo 1 original, el profesor  Atanassov propuso la lógica difusa intuitiva, que es una teoría muy poderosa por derecho propio. Trabajos previos del autor y otros investigadores han demostrado que ciertos problemas se pueden resolver de manera apropiada utilizando el tipo 1, y otros mediante el intervalo de tipo 2, mientras que otros utilizando la lógica difusa intuicionista. Los algoritmos de optimización bioinspirados y metaheurísticos m etaheurísticos se han usado comúnmente para encontrar el diseño óptimo de modelos difusos tipo 1, tipo 2 o intuitivos para aplicaciones en control, robótica, reconocimiento de patrones, predicción de series de tiempo, solo por mencionar algunos. Sin embargo, aún queda la pregunta sobre si problemas aún más complejos pueden requerir tipos, órdenes o extensiones aún mayores de modelos difusos tipo 1 para obtener mejores soluciones a problemas deldemundo real.elEn este documento se presenta un marcoparticular. para resolver este problema encontrar modelo difuso óptimo para un problema Para

 

el autor, este es el primer trabajo en proponer un enfoque sistemático para resolver este problema, y prevemos que en el futuro este enfoque servirá como base para algoritmos más eficientes para la misma tarea de encontrar el sistema difuso óptimo. . @INPROCEEDINGS{8858951, author={O. {Castillo} and P. {Melin}}, booktitle={2019 booktitle= {2019 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE)}, title={An Approach for Optimization of Intuitionistic and Type-2 Fuzzy Systems in Pattern Recognition Applications}, year={2019}, volume={}, number={}, pages={1-5}, keywords={fuzzy keywords={fu zzy logic;fuzzy set theory;fuz theory;fuzzy zy systems;pattern systems;pattern recognition;t recognition;time ime series;type-1 fuzzy models;type-2 fuzzy models;intu models;intuitionistic itionistic fuzzy logic;interval type-2;intuitionistic type-2;intuit ionistic fuzzy models;opt models;optimal imal fuzzy system;mathematical models;metaheuristic models;metaheu ristic optimization algorithms;Pattern Recognition Applications;time Applications;tim e series prediction;Fuzzy systems;Fuzzy sets;Fuzzy logic;Optimization;Uncertainty; logic;Optimizat ion;Uncertainty;Mathematical Mathematical model;Data models;Intuit models;Intuitionistic ionistic fuzzy systems;Type-2 fuzzy systems;Type-1 fuzzy systems}, doi={10.1109/FUZZ-IEEE.2019.88 doi={10.1109 /FUZZ-IEEE.2019.8858951}, 58951}, ISSN={1544-5615}, month={June},}

Diseño de función de membresía difusa de intervalo tipo 2 y su aplicación a redes neuronales de función de base radial  Resumen: 

Se ha demostrado que los conjuntos difusos de tipo 2 manejan la incertidumbre de manera más efectiva que los conjuntos difusos de tipo 1 en varias aplicaciones de reconocimiento de patrones. Sin embargo, la computación con conjuntos difusos de tipo 2 puede requerir una alta complejidad computacional ya que involucra numerosos conjuntos difusos de tipo 2 integrados. Para reducir la complejidad, se pueden usar conjuntos difusos de tipo 2 de intervalo. En este artículo, se propone un método de diseño de membresía difusa de tipo 2 de intervalo y su aplicación a redes neuronales de función de base radial (RBF). Las membresías difusas de tipo 1 que se calculan a

 

partir del centroide del intervalo de membresías m embresías difusas de tipo 2 se incorporan a la red neuronal RBF Se muestra que la asignación de membresía propuesta mejora el rendimiento de clasificación de la red neuronal RBF ya que la incertidumbre de los datos del patrón es deseable controlado por membresías difusas de intervalo tipo 2. @INPROCEEDINGS{4295680, author={F. C. {Rhee} and B. {Choi}}, booktitle={2007 booktitle= {2007 IEEE International Fuzzy Systems Conference} Conference},, title={Interval title={Inter val Type-2 Fuzzy Membership Function Design and its Application to Radial Basis Function Neural Networks}, year={2007}, volume={}, number={}, pages={1-6}, keywords={computational keywords={com putational complexity;fuzzy set theory;image segmentation;pattern recognition;radial basis function networks;interval type-2 segmentation;pattern fuzzy membership function design;radial basis function neural networks;pattern recognition;computational recognition;comp utational complexity;image segmentation;Fu segmentation;Fuzzy zzy neural networks;Radial networks;Rad ial basis function networks;F networks;Fuzzy uzzy sets;Neural networks;Fuzzy control;Uncertainty;Pattern control;Uncerta inty;Pattern recognition;C recognition;Computer omputer applications;Em applications;Embedded bedded computing;Computationa computing;C omputationall complexity}, doi={10.1109/FUZZY.2007.42 doi={10.1109 /FUZZY.2007.4295680}, 95680}, ISSN={1098-7584}, month={July},}

Transformación del sistema difuso TSK en sistema difuso con consecuentes singleton y su aplicación  @INPROCEEDINGS{793083, author={ {Yangbum Chae} and {Kabsuk Oh} and {Wonchang Lee} and {Geuntaek Kang}}, booktitle={FUZZ-IEEE'99. booktitle= {FUZZ-IEEE'99. 1999 IEEE Internation International al Fuzzy Systems. Conference Proceedings (Cat. No.99CH36 No.99CH36315)}, 315)},

 

title={Transformation title={Transfor mation of TSK fuzzy system into fuzzy system with singleton consequents and its application}, year={1999}, volume={2}, number={}, pages={969-973 vol.2}, pages={969-973 keywords={fuzzy keywords={fu zzy systems;stability;f systems;stability;fuzzy uzzy control;closed loop ssystems;large-scale ystems;large-scale systems;nonlinear systems;control systems;control system synthesis;TSK fuzzy system;singleton consequents;complex consequents;c omplex nonlinear system;fuzz system;fuzzy y controller;single controller;singleton ton fuzzy model;Fuzzy systems;Fuzzy sets;Fuzzy control;Nonlin control;Nonlinear ear systems;Stability;Closed systems;Stability;C losed loop systems;Appli systems;Application cation software; software;Nonlinear Nonlinear control systems;Humans;Fuzzy systems;Human s;Fuzzy logic}, doi={10.1109/FUZZY.1999.793083}, ISSN={1098-7584}, month={Aug},}

Sobre la monotonicidad del tipo 〈1,1〉  cuantificadores difusos determinados por medidas difusas  Resumen: 

En esta contribución, estudiamos una propiedad semántica muy importante de cuantificadores generalizados llamada monotonicidad para cuantificadores difusos de tipo 〈1,1〉 definidos usando medidas difusas y el tipo Sugeno de integrales difusas. Mostramos que las integrales difusas pueden garantizar bajo ciertas condiciones naturales la monotonicidad de los cuantificadores Finalmente, proponemos el concepto de cuantificadores difusos cóncavos ydifusos. demostramos que cada cuantificador difuso cóncavo se puede expresar como la conjunción de un cuantificador difuso no creciente y no decreciente. @INPROCEEDINGS{6007615, author={M. {Holčapek} and A. {Dvořák}}, 

booktitle={2011 booktitle= {2011 IEEE International Conference on Fuzzy Systems (FUZZ-IEEE 2011)}, title={On monotonicity monotonicity of type 〈1,1 1,1〉 〉 fuzzy quantifiers determined by fuzzy measures}, year={2011},

 

volume={}, number={}, pages={2383-2390}, keywords={fuzzy keywords={fu zzy set theory;programming language semantics;type theory;type fuzzy quantifier; quantifier;semantic semantic property;gen property;generalized eralized quantifier; quantifier;monotonicit monotonicity;fuzzy y;fuzzy measures;Sugeno type;fuzzy integral;concave fuzzy quantifier;Fu measures;Sugeno quantifier;Fuzzy zzy sets;Lattices;Extraterrestrial sets;Lattices;Ext raterrestrial measurements; measurements;Polynomials;Seman Polynomials;Semantics;Natural tics;Natural languages;fuzzy languages;fuz zy quantif quantifier;fuzzy ier;fuzzy measure;resid measure;residuated uated lattice operation;monotonicity operation;mo notonicity of fuzzy quantifiers}, doi={10.1109/FUZZY.2011.60 doi={10.1109 /FUZZY.2011.6007615}, 07615}, ISSN={1098-7584}, month={June},}