Clarificación basada en la función de pertenencia inversa y el vector unitario

• José de Jesús Medel-Juárez ^[1] ; Jesús Gómez-Sánchez ^[1] ; Rosaura Palma-Orozco ^[1]
  1. [1] Instituto Politécnico Nacional

     Instituto Politécnico Nacional

     México

     
• Localización: DYNA new technologies, ISSN-e 2386-8406, Vol. 2, Nº. 1, 2015
• Idioma: español
• Títulos paralelos:
  • Clarification based on the inverse membership function and unit vector
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Este artículo presenta un modelo de clarificación en el sentido borroso, considerando que la función de pertenencia es invertible con respecto al estado del sistema y definiéndola como proceso de identificación sobre la respuesta acotada del sistema visto como caja negra. En este caso la herramienta necesaria es el vector unitario basado en los valores de la función de pertenencia. Específicamente, se considera en él a la diferencia de los valores absolutos entre el valor del estado y su media, en vez de la desigualdad del triángulo; permitiendo así la clarificación dado que se conoce la función de pertenencia. Dentro de las simulaciones en Matlab® se observa que la convergencia entre la señal deseada y la clarificada se da en casi todos los puntos, describiendo ilustrativamente cómo se va desarrollando el proceso de clarificación; comparándose los resultados con los obtenidos por el método del centroide. En el funcional de error de las secuencias, convergen a una región que decrece a cero a través del tiempo.

  • English

    This paper presents a clarification model on fuzzy sense, considering that the membership function is invertible with respect to system state and defining it as an identification process with respect to bounded black-box system response. In this case, the tool required is the unit vector based on the membership function values. Specifically considers the difference between the state to be clarified and its average instead of the triangle inequality, allowing the clarification according to the defined membership function. In MatLab®, the clarification results converge to the reference signal in all most all points and comparing their with traditional centroid method. Now, in the functionals sequence errors converge to a region, that decrements to zero trough the time.