sistemas difusos tarea_1

8/17/2019 Sistemas Difusos Tarea_1

1/18

1

Materia:

Sistemas Difusos

Alumno:

Richard Ángel Benítez García


2/18

2

ContenidoTAREA: ............................................................................................................................. 3

1. Técnicas de la inteligencia computacional ................................................................ 3

1.1 Computo Evolutivo ............................................................................................. 4

1.2 Redes Neuronales ............................................................................................... 51.3 Inteligencia Colectiva ......................................................................................... 7

1.4 Métodos Probabilísticos ...................................................................................... 9

1.5 Aprendizaje Automático ................................................................................... 11

1.6 Lógica Difusa ........................................................................................................ 13

2. La técnica escogida para la tesis. ............................................................................... 17

2.1 Técnica escogida para la tesis. .............................................................................. 17

2.2 Justificación de la técnica escogida para la tesis ................................................. 17

3. Referencias ................................................................................................................. 18


3/18

3

TAREA:Presentar un resumen de las técnicas que conforman la Inteligencia Computacional (softcomputing), indicar y justificar cual sería la mejor opción para su tema de tesis.

1.

Técnicas de la inteligencia computacionalEl estudio de mecanismos adaptativos para permitir el comportamiento inteligente de sistemascomplejos y cambiantes. La Inteligencia Computacional combina elementos de aprendizaje,adaptación, evolución y Lógica difusa para crear programas que son, en ciertamanera, inteligentes. La investigación en Inteligencia Computacional no rechaza los métodosestadísticos, pero muy a menudo aporta una vista complementaria. Las Redes Neuronales sonuna rama de la inteligencia computacional muy relacionada con el aprendizaje automático [1].Las técnicas de la inteligencia computacional son (Figura 1):

Computo Evolutivo (Evolutionary Computing)

Redes Neuronales (Neuronal Network)

Inteligencia Colectiva (Swarm Intelligence)

Métodos Probabilísticos (Probabilistic Methods)

Aprendizaje Automático (Learning Theory)

Lógica Difusa (Fuzzy Logic)

Figura. 1. Técnicas de la Inteligencia Computacional.

https://es.wikipedia.org/wiki/L%C3%B3gica_difusahttps://es.wikipedia.org/wiki/Inteligenciahttps://es.wikipedia.org/wiki/Red_neuronal_artificialhttps://es.wikipedia.org/wiki/Red_neuronal_artificialhttps://es.wikipedia.org/wiki/Inteligenciahttps://es.wikipedia.org/wiki/L%C3%B3gica_difusa


4/18

4

1.1 Computo EvolutivoLa computación evolutiva es una rama de la computación y la inteligencia artificial quecomprende métodos de búsqueda y aprendizaje automatizado inspirados en los mecanismos dela evolución natural. Diversos enfoques a la computación evolutiva han sido propuestos: las

estrategias evolutivas, los algoritmos genéticos, la programación genética y los clasificadoresgenéticos entre otros. A estos métodos se les denomina de manera colectiva como algoritmosevolutivos, entre los cuales los más conocidos son probablemente los algoritmos genéticos. Estosalgoritmos han sido aplicados exitosamente en la resolución de problemas en distintas ramas dela ingeniería, el diseño, la industria, la economía y las ciencias naturales [2].

La computación evolutiva emula a la evolución natural en el diseño e implementación deherramientas computacionales para la resolución de problemas. A partir de 1960, varios modelosde computación evolutiva han sido propuestos y estudiados, a los cuales se les denominacolectivamente como algoritmos evolutivos. Estos algoritmos han sido aplicados a una ampliavariedad de problemas encontrados tanto en la industria y el comercio, como en la investigacióncientífica de punta.

Los algoritmos evolutivos emulan a la evolución natural y comprenden:

Una representación o codificación de las soluciones potenciales al problema bajo estudio

Una población (conjunto de individuos) de estas soluciones potenciales

Mecanismos para generar nuevos individuos o soluciones potenciales al problemaestudiado, a partir de los miembros de la población actual (los denominados operadoresde mutación y recombinación)

Una función de desempeño o evaluación (del inglés fitness function) que determina lacalidad de los individuos en la población en su capacidad de resolver el problema bajoestudio

Un método de selección que otorgue mayores chances de sobrevivir a las buenassoluciones (Tabla 1).

Tabla 1. Analogías entre aspectos de la evolución natural y los algoritmos evolutivos.

La Tabla 1 muestra las analogías entre la evolución natural y los algoritmos evolutivos, mientrasque a Figura 1 ilustra el esquema general de un algoritmo evolutivo. Una población de Mindividuos es inicializada y sujeta a evolución simulada de una generación a la siguiente a travésde la aplicación sucesiva de los operadores de selección de progenitores, recombinación,mutación, evaluación de la función de desempeño y selección de sobrevivientes. Este ciclo es


5/18

5

interrumpido luego de un número fijo de iteraciones (generaciones), o cuando la soluciónencontrada es de calidad aceptable para el problema bajo estudio (Figura 2).

Figura 2. Esquema general de un algoritmo evolutivo.

Los sistemas clasificadores genéticos utilizan un algoritmo evolutivo para explorar el espacio dereglas de producción de un sistema de aprendizaje capaz de inducir nuevo conocimiento ygeneralizar. Finalmente, la programación genética aplica búsqueda evolutiva en el espaciocompuesto por programas de computadora en un lenguaje de programación que puedemodificarse utilizando operadores de mutación y recombinación.

1.2

Redes NeuronalesUna red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una seriede entradas a través de interconexiones y emite una salida. Esta salida viene dada por tresfunciones:

Una función de propagación (también conocida como función de excitación), que por logeneral consiste en el sumatorio de cada entrada multiplicada por el peso de suinterconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; sies negativo, se denomina inhibitoria.

Una función de activación, que modifica a la anterior. Puede no existir, siendo en estecaso la salida la misma función de propagación.

Una función de transferencia, que se aplica al valor devuelto por la función de activación.Se utiliza para acotar la salida de la neurona y generalmente viene dada por lainterpretación que queramos darle a dichas salidas. Algunas de las más utilizadas sonla función sigmoidea (para obtener valores en el intervalo (0,1)) y la tangentehiperbólica (para obtener valores en el intervalo (-1,1)).

Biológicamente, un cerebro aprende mediante la reorganización de las conexionessinápticas entre las neuronas que lo componen. De la misma manera, las RNA tienen un gran

https://es.wikipedia.org/w/index.php?title=Funci%C3%B3n_de_propagaci%C3%B3n&action=edit&redlink=1https://es.wikipedia.org/w/index.php?title=Funci%C3%B3n_de_excitaci%C3%B3n&action=edit&redlink=1https://es.wikipedia.org/wiki/Sumatoriohttps://es.wikipedia.org/wiki/Funci%C3%B3n_de_activaci%C3%B3nhttps://es.wikipedia.org/wiki/Funci%C3%B3n_de_transferenciahttps://es.wikipedia.org/wiki/Funci%C3%B3n_sigmoideahttps://es.wikipedia.org/wiki/Tangente_hiperb%C3%B3licahttps://es.wikipedia.org/wiki/Tangente_hiperb%C3%B3licahttps://es.wikipedia.org/wiki/Sinapsishttps://es.wikipedia.org/wiki/Sinapsishttps://es.wikipedia.org/wiki/Neuronahttps://es.wikipedia.org/wiki/Neuronahttps://es.wikipedia.org/wiki/Sinapsishttps://es.wikipedia.org/wiki/Sinapsishttps://es.wikipedia.org/wiki/Tangente_hiperb%C3%B3licahttps://es.wikipedia.org/wiki/Tangente_hiperb%C3%B3licahttps://es.wikipedia.org/wiki/Funci%C3%B3n_sigmoideahttps://es.wikipedia.org/wiki/Funci%C3%B3n_de_transferenciahttps://es.wikipedia.org/wiki/Funci%C3%B3n_de_activaci%C3%B3nhttps://es.wikipedia.org/wiki/Sumatoriohttps://es.wikipedia.org/w/index.php?title=Funci%C3%B3n_de_excitaci%C3%B3n&action=edit&redlink=1https://es.wikipedia.org/w/index.php?title=Funci%C3%B3n_de_propagaci%C3%B3n&action=edit&redlink=1


6/18

6

número de procesadores virtuales interconectados que de forma simplificada simulan lafuncionalidad de las neuronas biológicas. En esta simulación, la reorganización de las conexionessinápticas biológicas se modela mediante un mecanismo de pesos, que son ajustados durante lafase de aprendizaje. En una RNA entrenada, el conjunto de los pesos determinael conocimiento de esa RNA y tiene la propiedad de resolver el problema para el que la RNA hasido entrenada.

Por otra parte, en una RNA, además de los pesos y las conexiones, cada neurona tiene asociadauna función matemática denominada función de transferencia. Dicha función genera la señal desalida de la neurona a partir de las señales de entrada. La entrada de la función es la suma detodas las señales de entrada por el peso asociado a la conexión de entrada de la señal. Algunosejemplos de entradas son la función escalón de Heaviside, la lineal o mixta, la sigmoide yla función gaussiana, recordando que la función de transferencia es la relación entre la señal desalida y la de entrada [3].

Existe una serie de modelos que aparecen en la mayoría de estudios académicos y la bibliografíaespecializada.

Perceptrón (Figura 3)

Adaline

Perceptrón multicapa

Memorias asociativas

Máquina de Boltzmann

Máquina de Cauchy

Propagación hacia atrás (backpropagation)

Redes de Elman

Redes de Hopfield

Red de contrapropagación

Redes de neuronas de base radial

Redes de neuronas de aprendizaje competitivo

Mapas Autoorganizados (RNA) (Redes de Kohonen)

Crecimiento dinámico de células

Gas Neuronal Creciente

Redes ART (Adaptative Resonance Theory)

https://es.wikipedia.org/wiki/Funci%C3%B3n_escal%C3%B3n_unitariohttps://es.wikipedia.org/wiki/Funci%C3%B3n_sigmoidehttps://es.wikipedia.org/wiki/Funci%C3%B3n_gaussianahttps://es.wikipedia.org/wiki/Perceptr%C3%B3nhttps://es.wikipedia.org/wiki/Adalinehttps://es.wikipedia.org/wiki/Perceptr%C3%B3n_multicapahttps://es.wikipedia.org/wiki/Memoria_asociativa_(RNA)https://es.wikipedia.org/wiki/M%C3%A1quina_de_Boltzmannhttps://es.wikipedia.org/w/index.php?title=M%C3%A1quina_de_Cauchy&action=edit&redlink=1https://es.wikipedia.org/wiki/Propagaci%C3%B3n_hacia_atr%C3%A1shttps://es.wikipedia.org/w/index.php?title=Elman_(RNA)&action=edit&redlink=1https://es.wikipedia.org/wiki/Hopfield_(RNA)https://es.wikipedia.org/w/index.php?title=Red_de_contrapropagaci%C3%B3n&action=edit&redlink=1https://es.wikipedia.org/wiki/RNA_de_base_radialhttps://es.wikipedia.org/w/index.php?title=LVQ&action=edit&redlink=1https://es.wikipedia.org/wiki/Mapa_autoorganizadohttps://es.wikipedia.org/w/index.php?title=Crecimiento_din%C3%A1mico_de_c%C3%A9lulas&action=edit&redlink=1https://es.wikipedia.org/w/index.php?title=Gas_Neuronal_Creciente&action=edit&redlink=1https://es.wikipedia.org/wiki/ART_(RNA)https://es.wikipedia.org/wiki/ART_(RNA)https://es.wikipedia.org/w/index.php?title=Gas_Neuronal_Creciente&action=edit&redlink=1https://es.wikipedia.org/w/index.php?title=Crecimiento_din%C3%A1mico_de_c%C3%A9lulas&action=edit&redlink=1https://es.wikipedia.org/wiki/Mapa_autoorganizadohttps://es.wikipedia.org/w/index.php?title=LVQ&action=edit&redlink=1https://es.wikipedia.org/wiki/RNA_de_base_radialhttps://es.wikipedia.org/w/index.php?title=Red_de_contrapropagaci%C3%B3n&action=edit&redlink=1https://es.wikipedia.org/wiki/Hopfield_(RNA)https://es.wikipedia.org/w/index.php?title=Elman_(RNA)&action=edit&redlink=1https://es.wikipedia.org/wiki/Propagaci%C3%B3n_hacia_atr%C3%A1shttps://es.wikipedia.org/w/index.php?title=M%C3%A1quina_de_Cauchy&action=edit&redlink=1https://es.wikipedia.org/wiki/M%C3%A1quina_de_Boltzmannhttps://es.wikipedia.org/wiki/Memoria_asociativa_(RNA)https://es.wikipedia.org/wiki/Perceptr%C3%B3n_multicapahttps://es.wikipedia.org/wiki/Adalinehttps://es.wikipedia.org/wiki/Perceptr%C3%B3nhttps://es.wikipedia.org/wiki/Funci%C3%B3n_gaussianahttps://es.wikipedia.org/wiki/Funci%C3%B3n_sigmoidehttps://es.wikipedia.org/wiki/Funci%C3%B3n_escal%C3%B3n_unitario


7/18

7

Figura 3: Red neuronal artificial perceptrón multicapa con n neuronas de entrada, m neuronas en su capa oculta y unaneurona de escape.

1.3

Inteligencia ColectivaPor años los niños, curiosos y científicos están intrigados con los insectos sociales, varios centrosde investigación han elaborado estudios formales sobre el comportamiento de las hormigas – ants,abejas – bees, avíspas – wasps y animalitos parecidos. Es sorprendente la eficiencia que presentanestas sociedades de insectos/animalitos.

Los campos de aplicación de la inteligencia de los enjambres es diversa: negocios, reorganizaciónde operaciones en empresas diversas, solución a problemas de ingeniería de tráfico en redes,optimización de procesos de búsqueda, disminución de costos ocasionados por desperdicio enlogística, mejorar estrategias para eliminar virus informáticos, aumento de productividad en laadministración de aeropuertos, eficiencia en los mercados de valores, sistemas inteligentes paraadministración de mejores rutas en carreteras, optimización de sistemas de carga, entre otros.

Desde la década de los 80 muchos investigadores han desarrollado modelos matemáticosrigurosos para describir el comportamiento de insectos sociales.

En este sentido, son tres los aspectos que hacen que los insectos sociales sean exitosos y esténpresenten en cualquier lugar de la tierra [4]:

1. Flexibilidad, la colonia puede adaptase a un entorno cambiante, extremo, adverso;tienen capacidad de auto recuperarse.

2. Robustez, es decir, cuando uno o más individuos fallan -se equivocan o mueren: el grupopuede seguir ejecutando la tarea.

3. Auto-organización, es decir las actividades no se controla centralizadamente ni sesupervisan localmente. No hay reyes ni guardias.

En un problema de optimización, el objetivo es generalmente encontrar la mejor de entre variasalternativas. En algunos problemas, esto se puede hacer en un tiempo razonable visitando todaslas soluciones posibles del espacio de búsqueda (ejemplo, búsqueda en una base de datos) omediante alguna técnica que reduce el problema (ejemplo, minimización de funciones continuas).Sin embargo, existen problemas no simplificables con un espacio de búsqueda demasiado grande

https://es.wikipedia.org/wiki/Perceptr%C3%B3nhttps://es.wikipedia.org/wiki/Perceptr%C3%B3n


8/18

8

para explorarlo por completo con técnicas exhaustivas. En estos casos tiene sentido aplicar lastécnicas meta heurísticas [5].

De forma breve podemos definir la meta-heurística como estrategias de alto nivel para explorarespacios de búsqueda. La estrategia concreta que emplean depende de la filosofía de la técnicaen sí. Algunas de ellas pueden considerarse versiones “inteligentes” de algoritmos de búsqueda

local (simulated annealing). Otras, sin embargo, intentan aprender la correlación entre lasvariables de decisión para identificar zonas de gran calidad en el espacio de búsqueda(computación evolutiva).

Los algoritmos de Swarm intelligence (SI) son técnicas meta-heurísticas de inteligencia artificialbasados en el estudio de comportamientos colectivos presentes en sistemas de la naturaleza,generalmente de carácter descentralizado y auto-organizativo. Dicho comportamiento socialdefine los movimientos de las variables de decisión en el espacio de búsqueda y las orienta haciasoluciones ´optimas. La expresión de Swarm Intelligence fue introducida por Gerardo Beni,Suzanne Hackwood y Jing Wang en 1989, en el contexto de sistemas robóticos celulares.

Figura 4.1: (a) Radio de influencia de un individuo, (b) colectivo Swarm, (c) colectivo Torus y (d) colectivo Dinamic/HighlyParallel Group.

Los individuos deben mantener una distancia mínima entre ellos el resto del cúmulo durantetodo el proceso. Por otra parte, cada individuo debe evitar una distancia excesiva con el resto delgrupo, de modo que tiende a ser atraído hacia los demás individuos, evitando así ser aislado ydando lugar a diferentes vecindarios dependiendo de la fuerza de atracción. Como se puedeobservar en la Figura 4.1a, el radio de influencia de cada individuo se compone de una zonainicial de repulsión (zor - para evitar colisiones), una zona de orientación (zoo - el individuo dirigesu movimiento) y una zona exterior de atracción (zoa - el individuo evita ser aislado).Dependiendo de la configuración de cada zona del radio individual, se generaran diferentescomportamientos y formas en los vecindarios globales.


9/18

9

Identificaron una serie de comportamientos dinámicos colectivos ilustrados en la Figura 4.1:swarm (Figura 4.1b): agregación con cohesión pero un bajo nivel de polarización (alineamientoparalelo) entre sus miembros. Torus (Figura 4.1c): los individuos rotan continuamente sobre uneje vacío. La dirección de rotación es aleatoria. Dinamic/Highly Parallel Group (Figura 4.1d):movimiento estático en términos de intercambio de posición espacial entre los individuos. Dentrode los algoritmos de inteligencia colectiva, se pasa brevemente a describir los de Particle Swarm

Optimization y Ant Colony Optimization, que son de gran importancia por la aplicabilidad queestán demostrando y la cantidad de publicaciones que vienen generando en los últimos años.Como ejemplo adicional, se reserva un pequeño espacio a los algoritmos basados en los procesosde polinización por la particularidad de su diseño [6].

1.4 Métodos ProbabilísticosEl conocimiento es lo que sabemos. La información es la comunicación de conocimientos. En cadaintercambio de conocimientos, hay un remitente y un receptor. El remitente hace común lo quees privado, hace la información, la comunicación. La información se puede clasificar comoformas explícitas y tácitas. La información explícita se puede explicar de forma estructurada,

mientras que la información tácita es inconsistente e imprecisa de explicar.Los datos son conocidos como información cruda y no como conocimientos en sí. La secuencia queva desde los datos hasta el conocimiento es (observe el siguiente cuadro): de los Datos (Data) ala Información (Information), de la Información (Information) a los Hechos (Facts), y finalmente,de los Hechos (Facts) al Conocimiento (Knowledge) . Los datos se convierten en información,cuando se hacen relevantes para la toma de decisión a un problema. La información se convierteen hecho, cuando es respaldada por los datos. Los hechos son lo que los datos revelan. Sinembargo el conocimiento instrumental es expresado junto con un cierto grado estadístico deconfianza (gl).

Los hechos se convierten en conocimiento, cuando son utilizados en la complementación exitosade un proceso de decisión. Una vez que se tenga una cantidad masiva de hechos integrados como

conocimiento, entonces su mente será sobrehumana en el mismo sentido en que, con la escritura,la humanidad es sobrehumana comparada a la humanidad antes de escribir. La figura siguienteilustra el proceso de razonamiento estadístico basado en datos para construir los modelosestadísticos para la toma de decisión bajo incertidumbre [7].

Figura 5: Representación de Modelo Estadístico


10/18

10

En donde:

Level of Exactness of Statistical Model = Nivel de Exactitud del Modelo Estadístico.

Level of improvements on decisión making = Nivel de Mejoramiento en la Toma de Decisiones

La figura anterior (figura 5) representa el hecho que a medida que la exactitud de un modeloestadístico aumenta, el nivel de mejoramiento en la toma de decisión aumenta. Esta es la razóndel porqué necesitamos la estadística de negocio. La estadística se creó por la necesidad de ponerconocimiento en una base sistemática de la evidencia. Esto requirió un estudio de las leyes de laprobabilidad, del desarrollo de las propiedades de medición, relación de datos.

La inferencia estadística intenta determinar si alguna significancia estadística puede seradjunta luego que se permita una variación aleatoria como fuente de error. Una inteligente ycrítica inferencia no puede ser hecha por aquellos que no entiendan el propósito, las condiciones,y la aplicabilidad de las de diversas técnicas para juzgar el significado.

Considerando el ambiente de la incertidumbre, la posibilidad de que “las buenas decisiones” sean

tomadas incrementa con la disponibilidad “de la buena información”. La oportunidad de ladisponibilidad de “la buena información” incrementa con el nivel de estructuración del proceso

de Dirección de Conocimiento. La figura anterior también ilustra el hecho que mientras laexactitud de un modelo estadístico aumenta, el nivel de mejora en la toma de decisiones aumenta.

El conocimiento es más que simplemente saber algo técnico. El conocimiento necesita lasabiduría. La sabiduría es el poder de poner nuestro tiempo y nuestro conocimiento en el usoapropiado. La sabiduría viene con edad y experiencia. La sabiduría es la aplicación exacta delconocimiento exacto.

La sabiduría es sobre saber cómo algo técnico puede ser mejor utilizado para cubrir lasnecesidades de los encargados de tomar decisiones. La sabiduría, por ejemplo, crea el softwareestadístico que es útil, más bien que técnicamente brillante. Por ejemplo, desde que la Web entróen el conocimiento popular, los observadores han notado que esto pone la información en nuestrasmanos, pero guardar la sabiduría fuera de nuestro alcance.

Proceso de Toma de Decisiones Estadísticas

A diferencia de los procesos de toma de decisiones determinísticas tal como, optimizaciónlineal resuelto mediante sistema de ecuaciones, sistemas paramétricos de ecuaciones y en latoma de decisión bajo pura incertidumbre, las variables son normalmente más numerosas y porlo tanto más difíciles de medir y controlar. Sin embargo, los pasos para resolverlos son los mismos[7]. Estos son:

Simplificar

Construir un modelo de decisión

Probar el modelo

Usando el modelo para encontrar soluciones:

El modelo es una representación simplificada de la situación real

No necesita estar completo o exacto en todas las relaciones

http://home.ubalt.edu/ntsbarsh/opre640a/partVIII.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/LPTools.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/LPTools.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/SysEq.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/PaRHSSyEqu.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/ADuncertain.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/ADuncertain.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/ADuncertain.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/ADuncertain.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/PaRHSSyEqu.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/SysEq.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/LPTools.htmhttp://home.ubalt.edu/ntsbarsh/Business-stat/otherapplets/LPTools.htmhttp://home.ubalt.edu/ntsbarsh/opre640a/partVIII.htm


11/18

11

Se concentra en las relaciones fundamentales e ignora las irrelevantes.

Este es entendido con mayor facilidad que un suceso empírico (observado), por lo tantopermite que el problema sea resuelto con mayor facilidad y con un mínimo de esfuerzo ypérdida de tiempo.

El modelo puede ser usado repetidas veces para problemas similares, y además puedeser ajustado y modificado.

1.5 Aprendizaje AutomáticoEl objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma másconcreta, se trata de crear programas capaces de generalizar comportamientos a partir de unainformación no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso deinducción del conocimiento. En muchas ocasiones el campo de actuación del aprendizajeautomático se solapa con el de la estadística, ya que las dos disciplinas se basan en el análisis dedatos. Sin embargo, el aprendizaje automático se centra más en el estudio de la complejidadcomputacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran partede la investigación realizada en aprendizaje automático está enfocada al diseño de solucionesfactibles a esos problemas. El aprendizaje automático puede ser visto como un intento deautomatizar algunas partes del método científico mediante métodos matemáticos.

El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores debúsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis delmercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguajeescrito, juegos y robótica.

El aprendizaje automático tiene como resultado un modelo para resolver una tarea dada. Entrelos modelos se distinguen

Los modelos geométricos, construidos en el espacio de instancias y que pueden tener una, dos omúltiples dimensiones. Si hay un borde de decisión linear entre las clases, se dice que los datosson linealmente separables. Un límite de decisión linear se define como w * x = t, donde w es unvector perpendicular al límite de decisión, x es un punto arbitrario en el límite de decisión y t esel umbral de la decisión

Los modelos probabilísticos, que intentan determinar la distribución de probabilidadesdescriptora de la función que enlaza a los valores de las características con valores determinados.Uno de los conceptos claves para desarrollar modelos probabilísticos es la estadística bayesiana.

Los modelos lógicos, que transforman expresan las probabilidades en reglas organizadas enforma de árboles de decisión.

Los modelos pueden también clasificarse como modelos de agrupamiento y modelos de gradiente.Los primeros tratan de dividir el espacio de instancias en grupos. Los segundos, como su nombre

lo indican, representan un gradiente en el que se puede diferenciar entre cada instancia.Clasificadores geométricos como las máquinas de vectores de apoyo son modelos de gradientes[8].

Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en funciónde la salida de los mismos. Algunos tipos de algoritmos son:

Aprendizaje supervisado

Aprendizaje no supervisado

https://es.wikipedia.org/wiki/Estad%C3%ADsticahttps://es.wikipedia.org/wiki/Complejidad_computacionalhttps://es.wikipedia.org/wiki/Complejidad_computacionalhttps://es.wikipedia.org/wiki/NP-hardhttps://es.wikipedia.org/wiki/M%C3%A9todo_cient%C3%ADficohttps://es.wikipedia.org/wiki/Estad%C3%ADstica_bayesianahttps://es.wikipedia.org/wiki/%C3%81rboles_de_decisi%C3%B3nhttps://es.wikipedia.org/wiki/Algoritmoshttps://es.wikipedia.org/wiki/Taxonom%C3%ADahttps://es.wikipedia.org/wiki/Aprendizaje_supervisadohttps://es.wikipedia.org/wiki/Aprendizaje_no_supervisadohttps://es.wikipedia.org/wiki/Aprendizaje_no_supervisadohttps://es.wikipedia.org/wiki/Aprendizaje_supervisadohttps://es.wikipedia.org/wiki/Taxonom%C3%ADahttps://es.wikipedia.org/wiki/Algoritmoshttps://es.wikipedia.org/wiki/%C3%81rboles_de_decisi%C3%B3nhttps://es.wikipedia.org/wiki/Estad%C3%ADstica_bayesianahttps://es.wikipedia.org/wiki/M%C3%A9todo_cient%C3%ADficohttps://es.wikipedia.org/wiki/NP-hardhttps://es.wikipedia.org/wiki/Complejidad_computacionalhttps://es.wikipedia.org/wiki/Complejidad_computacionalhttps://es.wikipedia.org/wiki/Estad%C3%ADstica


12/18

12

Aprendizaje semi-supervisado

Aprendizaje por refuerzo

Transducción

Aprendizaje multi-tarea

Ejemplo de un método:

Máquinas de Soporte vectorial

Las MVS son una serie de métodos de aprendizaje supervisado usados para clasificación yregresión. Los algoritmos de MVS usan un conjunto de ejemplos de entrenamiento clasificado endos categorías para construir un modelo que prediga si un nuevo ejemplo pertenece a una u otrade dichas categorías (figura 6).

Figura 6: Grafica de representación de una Maquina de Soporte Vectorial


13/18

13

1.6 Lógica DifusaFue formulada en 1965 por el ingeniero y matemático Lofti Zadeh. La lógica difusa (tambiénllamada lógica borrosa) se basa en lo relativo de lo observado como posición diferencial. Este

tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí. Así, porejemplo, una persona que mida dos metros es claramente una persona alta, si previamente se hatomado el valor de persona baja y se ha establecido en un metro. Ambos valores estáncontextualizados a personas y referidos a una medida métrica lineal [9] [10].

Un conjunto difuso, es un conjunto que puede contener elementos de forma parcial. Es decir quela propiedad puede ser cierta con un grado de verdad [11].

Conjuntos clásicos vs Conjuntos difusos

Ejemplo: clasifique las personas de acuerdo con su estatura en dos conjuntos (figura 7).

Figura 7. Universo de personas

Conjuntos clásicos

Se escoge un criterio en base a un promedio, para tener 2 clases: altos y bajos (figura 8).

Figura 8. Dos clases: altos y bajos

Conjuntos difusos

En los conjuntos difusos todos los elementos pueden estar en ambas clases (figura 9).


14/18

14

Figura 9. Conjuntos difusos

Pertenencia de los elementos

Se pone una pertenencia a cada elemento, esta va de 0 a 1 (figura 10).

Figura 10. Pertenencia de los elementos

Conceptos básicos (figura 11)

Figura 11. Conceptos básicos


15/18

15

Notación – Conjuntos difusos (figura 12)

Figura 12. Notaciones para conjuntos continuos y discretos

Variables Lingüísticas

Se usan variables lingüísticas para analizar y modelar sistemas (figura 13):

Ej: Supongamos que X = “edad”, se pueden definir conjuntos difusos: “joven”, “adulto”, “anciano”

Figura 13. Conjuntos difusos

Aplicaciones

• Sistemas de control de acondicionadores de aire

• Sistemas de foco automático en cámaras fotográficas


16/18

16

• Electrodomésticos familiares (frigoríficos, lavadoras...)

• Optimización de sistemas de control industriales

• Sistemas de escritura

• Mejora en la eficiencia del uso de combustible en motores

• Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)

• Tecnología informática

• Bases de datos difusas: Almacenar y consultar información imprecisa. Para este punto,por ejemplo, existe el lenguaje FSQL (Fuzzy Structured Query Language) [12].


17/18

17

2. La técnica escogida para la tesis.

2.1 Técnica escogida para la tesis. A través de ver las diversas características de las técnicas se escogió la siguiente: La lógica difusa.

2.2 Justificación de la técnica escogida para la tesisNos basamos en la lógica difusa por los siguientes puntos:

Nos permite trabajar con incertidumbre, las emociones no son de valores fijos. Ademásque es un método predictivo efectivo.

La extracción de características es compatible con el método de la lógica difusa.

Tenemos varios valores de entrada que se obtiene de las emociones, la lógica difusa nopermite varios valores de entrada.

La salidas pueden ser N salidas para las emociones (nivel bajo, medio, alto), la lógica

difusa nos permite tener varios valores de salida.

Se pueden dar diversas combinaciones de entrada de las emociones, la lógica difusa através de reglas nos permite trabajar con las variantes que se pueden dar.

NOTA: No se descartar que si queremos un método de aprendizaje automático se debe tomar encuenta las técnicas de APRENDIZAJE AUTOMATICO o REDES NEURONALES.


18/18

18

3. Referencias

[1] Inteligencia Computacional, fuente de la definición: Wikipedia, URL:https://es.wikipedia.org/wiki/Inteligencia_computacional.

[2] Amit Konar, “Computational Intelligence: Principles, Techniques and Applications”, Ed. Springer, 2005.

[3] Redes neuronales, url https://es.wikipedia.org/wiki/Red_neuronal_artificial

[4] Gabriela Ochoa, Introducción a la Computación Evolutiva y la Morfogénesis Artificial, Automated Scheduling, Optimisation and Planning Group, School of Computer Science,University of Nottingham, Nottingham, UK.

[5] Swarm Intelligence – Inteligencia de Enjambre – Colonias Inteligentes – InteligenciaColectiva, URL: https://nopiedra.wordpress.com/2007/08/09/swarm-intelligence-tres-claves-que-debemos-aprender-de-los-enjambres/

[6] José Manuel García, Enrique Alba Torres, Universidad de Málaga, Septiembre de 2007, Algoritmos Basados en Inteligencia Colectiva para la Resolución de Problemas de Bioinformáticay Telecomunicaciones, Trabajo de Investigación.

[7] Hossein Arsham, Probabilistic Modeling Process: Decision Analysis, URL:http://home.ubalt.edu/ntsbarsh/opre640s/spanishp.htm#rFromDaKno

[8] Aprendizaje automático, url: https://es.wikipedia.org/wiki/Aprendizaje_autom%C3%A1tico

[9] Introducción a la Lógica Difusa, Tomas Arredondo Vidal.

[10] Yager, R., Filev, D., Essentials of Fuzzy Modeling and Control, Wiley Interscience, NY, 1994

[11] Kartalopoulos, S., Understanding Neural Networks and Fuzzy, Logic, IEEE PRESS, NY,

1994[12] George J., “Fuzzy sets and fuzzy logic: theory and Applications”, Ed. Upper Saddle River: Prentice Hall, 1995.
http://home.ubalt.edu/ntsbarsh/Business-stat/home.htmlhttp://home.ubalt.edu/ntsbarsh/Business-stat/home.html

sistemas difusos tarea_1

Documents