{"id":101688,"date":"2018-03-11T10:23:38","date_gmt":"2018-03-11T10:23:38","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/aprendizaje-de-sistemas-basados-en-reglas-difusas-compactos-y-precisos-con-programacion-genetica\/"},"modified":"2018-03-11T10:23:38","modified_gmt":"2018-03-11T10:23:38","slug":"aprendizaje-de-sistemas-basados-en-reglas-difusas-compactos-y-precisos-con-programacion-genetica","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/inteligencia-artificial\/aprendizaje-de-sistemas-basados-en-reglas-difusas-compactos-y-precisos-con-programacion-genetica\/","title":{"rendered":"Aprendizaje de sistemas basados en reglas difusas compactos y precisos con programaci\u00f3n gen\u00e9tica"},"content":{"rendered":"

Tesis doctoral de Francisco Jose Berlanga Rivera <\/strong><\/h2>\n

Actualmente se ha incrementado de forma paralela tanto la cantidad de informaci\u00f3n almacenada como la necesidad de desarrollar algoritmos que permitan extraer conocimiento \u00fatil de la misma de forma autom\u00e1tica. Estos algoritmos se incluyen dentro del \u00e1rea de extracci\u00f3n de conocimiento en bases de datos (kdd, knowledge discovery in databases). la extracci\u00f3n de conocimiento se puede abordar, en funci\u00f3n del problema a resolver, desde dos perspectivas distintas: desde el punto de vista predictivo, como un proceso de inducci\u00f3n predictiva que intenta obtener conocimiento que permita pronosticar el comportamiento futuro seg\u00fan los datos disponibles, o desde el punto de vista descriptivo, cuyo objetivo fundamental es descubrir conocimiento de inter\u00e9s dentro de los datos, intentando obtener informaci\u00f3n que describa el modelo que existe detr\u00e1s de los datos. La inducci\u00f3n predictiva se realiza bajo enfoques como la clasificaci\u00f3n, la regresi\u00f3n o el an\u00e1lisis de series temporales. la clasificaci\u00f3n es un tipo de inducci\u00f3n predictiva en la que los datos son objetos caracterizados por atributos que pertenecen a diferentes clases definidas, y el objetivo es inducir un modelo (un clasificador o sistema de clasificaci\u00f3n) capaz de predecir la clase a la cual pertenece un nuevo objeto dado los valores de sus atributos. en determinados problemas de clasificaci\u00f3n tales como el diagn\u00f3stico de enfermedades o el reconocimiento de rasgos faciales, entre otros, interviene informaci\u00f3n compleja, incompleta, imprecisa o con incertidumbre, que los expertos humanos procesan de forma robusta, pero que es dif\u00edcil representar y procesar en un sistema de clasificaci\u00f3n. Para dise\u00f1ar un esquema de clasificaci\u00f3n robusto y con un rendimiento e interpretabilidad altos, es conveniente el uso de una herramienta para tratar con este tipo de informaci\u00f3n presente en la mayor\u00eda de los procesos de clasificaci\u00f3n: la l\u00f3gica difusa. la teor\u00eda de conjuntos difusos permite manejar imprecisi\u00f3n y tratar el conocimiento humano de una forma sistem\u00e1tica. En el campo de la clasificaci\u00f3n, el papel fundamental de los conjuntos difusos es hacer transparentes los esquemas de clasificaci\u00f3n que utilizan normalmente los seres humanos a trav\u00e9s del desarrollo de un marco formal implementable en un ordenador. si a la utilizaci\u00f3n de la l\u00f3gica difusa en un sistema de clasificaci\u00f3n unimos el dise\u00f1o de un sistema basado en reglas, entonces obtendremos un sistema de clasificaci\u00f3n basado en reglas difusas (scbrd), el cual est\u00e1 formado por un conjunto de modelos simples locales, verbalmente interpretables y con un rango de aplicaci\u00f3n muy amplio. Los scbrds permiten la incorporaci\u00f3n en el modelo de toda la informaci\u00f3n disponible, tanto de la que proviene de expertos humanos que expresan su conocimiento sobre el sistema en lenguaje natural, como de la que tiene su origen en medidas emp\u00edricas y modelos matem\u00e1ticos. Este es un aspecto fundamental en la era de la informaci\u00f3n en la que nos encontramos, donde el conocimiento humano y su representaci\u00f3n e interpretaci\u00f3n en los sistemas a desarrollar es cada vez m\u00e1s importante. en definitiva, el uso de la l\u00f3gica difusa hace posible el tratamiento de informaci\u00f3n con incertidumbre, muy com\u00fan en problemas reales de clasificaci\u00f3n, y permite el procesamiento de forma eficaz de la informaci\u00f3n experta disponible. Por otra parte, las reglas difusas permiten representar el conocimiento de una forma comprensible para los usuarios del sistema. en el proceso de extracci\u00f3n de conocimiento existen distintas tareas o problemas que se pueden enfocar y resolver como problemas de optimizaci\u00f3n y b\u00fasqueda. Los algoritmos evolutivos (aes), entre los que se encuentran los algoritmos gen\u00e9ticos y la programaci\u00f3n gen\u00e9tica (pg), imitan los principios de la evoluci\u00f3n natural para formar procedimientos de b\u00fasqueda y optimizaci\u00f3n global, lo que les convierte en herramientas especialmente adecuadas para resolver problemas presentes en las distintas etapas del proceso de descubrimiento de conocimiento. en procesos de extracci\u00f3n de reglas, los aes tratan de forma adecuada las interacciones entre atributos porque eval\u00faan una regla como un todo mediante la funci\u00f3n de adaptaci\u00f3n, en lugar de evaluar el impacto de a\u00f1adir o eliminar una condici\u00f3n de una regla, como ocurre en los procesos de b\u00fasqueda local incluidos en la mayor\u00eda de los algoritmos de inducci\u00f3n de reglas y \u00e1rboles de decisi\u00f3n. Por ello, en los \u00faltimos a\u00f1os los aes han sido ampliamente utilizados como herramienta para derivar autom\u00e1ticamente la totalidad o una parte de los scbrds, dando lugar a los denominados sistemas de clasificaci\u00f3n basados en reglas difusas evolutivos. en el dise\u00f1o de un algoritmo de aprendizaje de scbrds, existen dos objetivos principales (y opuestos) que se deben maximizar: la precisi\u00f3n y la interpretabilidad del conocimiento extraido en forma de reglas difusas. Aunque inicialmente se prest\u00f3 una mayor atenci\u00f3n a la mejora de la precisi\u00f3n (mejora que se consigui\u00f3 a consta de sacrificar la interpretabilidad de los scbrds), se ha puesto de manifiesto la necesidad de la existencia de un equilibrio entre la interpretabilidad y la precisi\u00f3n del conocimiento extraido a la hora de dise\u00f1ar m\u00e9todos de aprendizaje de scbrds. no obstante, este equilibrio es m\u00e1s dificil de lograr cuando el problema que ha de resolverse presenta una alta dimensionalidad, es decir, un elevado n\u00famero de variables o caracter\u00edsticas de entrada. El principal inconveniente viene dado por el crecimiento exponencial que se produce en el espacio de b\u00fasqueda de reglas difusas con un aumento lineal en el n\u00famero de variables, lo que popularmente se conoce como el problema de la explosi\u00f3n combinacional de reglas. Dicho crecimiento hace que el proceso de aprendizaje se vuelva m\u00e1s complicado, y en la mayor\u00eda de los casos, lleva al aprendizaje de un scbrd que presenta un elevado nivel de complejidad (con respecto al n\u00famero de reglas, y de variables y etiquetas incluidas en cada regla). en el dise\u00f1o de un scbrd preciso, compacto e interpretable es muy importante la definici\u00f3n adecuada de la sem\u00e1ntica de los conjuntos difusos asociados a las etiquetas ling\u00ed\u00bc\u00edsticas. Un proceso de aprendizaje que extraiga la mejor base de reglas difusas para una partici\u00f3n ling\u00ed\u00bc\u00edstica prefijada, puede estar limitado por esta. El aprendizaje de forma simult\u00e1nea tanto de la base de reglas como de la partici\u00f3n difusa puede permitir extraer un scbrd con mejor comportamiento. Para que el scbrd resultante sea ling\u00ed\u00bc\u00edstico, esta definici\u00f3n debe ser com\u00fan para todas las reglas y el proceso de aprendizaje debe verificar algunas restricciones que el modelo de representaci\u00f3n de conjuntos difusos basado en 2-tuplas respeta. Para este aprendizaje conjunto de dos partes de un problema muy dependientes, los algoritmos coevolutivos son herramientas muy adecuadas puesto que permiten evolucionar de forma independiente ambas partes del problema. el objetivo de esta tesis es estudiar el aprendizaje de scbrds en problemas que presentan una alta dimensionalidad (con respecto al n\u00famero de variables de entrada), y desarrollar nuevos algoritmos basados en el uso de la pg y de los algoritmos coevolutivos para la extracci\u00f3n de conocimiento en forma de reglas difusas que presenten un alto nivel de compacticidad y precisi\u00f3n en problemas con una alta dimensionalidad. para desarrollar este objetivo general, definimos los siguientes objetivos particulares: – realizar una revisi\u00f3n de los distintos algoritmos de aprendizaje de scbrds existentes, prestando especial atenci\u00f3n a aquellos que hacen uso de la pg como herramienta para extraer el conocimiento. Como el objetivo es dise\u00f1ar nuevos algoritmos de aprendizaje de scbrds compactos y precisos en problemas con una alta dimensionalidad, el estudio de los sistemas actuales nos servir\u00e1 para determinar las caracter\u00edsticas m\u00e1s importantes en esta tarea, sus componentes fundamentales y sus objetivos. – analizar los problemas a resolver en el dise\u00f1o de algoritmos evolutivos de extracci\u00f3n de reglas difusas con un buen equilibrio entre interpretabilidad y precisi\u00f3n en problemas con una alta dimensionalidad. Algunos de los aspectos m\u00e1s relevantes son la elecci\u00f3n de un esquema de representaci\u00f3n de reglas adecuado, el uso de alg\u00fan mecanismo que mejore la diversidad dentro de la poblaci\u00f3n de reglas, o el uso de medidas de calidad apropiadas para determinar la bondad de la soluci\u00f3n. – desarrollar un modelo evolutivo basado en pg para el aprendizaje de scbrds compactos y precisos en problemas que presentan una alta dimensionalidad. Este modelo permitir\u00e1 la extracci\u00f3n de reglas difusas en forma normal disyuntiva (dnf, disjunctive normal form) en las que cada atributo que interviene en la regla puede tomar m\u00e1s de un valor. – analizar los principales componentes del modelo desarrollado, para obtener un sistema eficaz para la tarea del aprendizaje de scbrds compactos y precisos en problemas que presentan una alta dimensionalidad. Para esto se aplicar\u00e1 el modelo a diversos conjuntos de datos de prueba que presenten una alta dimensionalidad, se estudiar\u00e1 la elecci\u00f3n de algunos de sus principales componentes y se analizar\u00e1n los resultados obtenidos compar\u00e1ndolos con los proporcionados por otros modelos de aprendizaje de scbrds existentes en la literatura especializada. – desarrollar un modelo coevolutivo para el dise\u00f1o de scbrds compactos y precisos en problemas de alta dimensionalidad. Este modelo aprender\u00e1 no s\u00f3lo el mejor conjunto de reglas difusas sino que tambi\u00e9n obtendr\u00e1 la mejor definici\u00f3n para los conjuntos difusos asociados a las mismas, con el objetivo de mejorar los resultados obtenidos por el modelo anterior, tanto desde el punto de vista de compacticidad como de la precisi\u00f3n de los scbrds aprendidos. para abordar estos objetivos, esta tesis est\u00e1 dividida en cuatro cap\u00edtulos cuyo contenido se describe brevemente a continuaci\u00f3n. en el cap\u00edtulo 1 se introducen los conceptos de extracci\u00f3n de conocimiento en bases de datos y miner\u00eda de datos, y se describe en profundidad la tarea de inducci\u00f3n predictiva de clasificaci\u00f3n. Posteriormente, se describe la computaci\u00f3n flexible centr\u00e1ndonos, dentro de las distintas t\u00e9cnicas que la componen, en la descripci\u00f3n de los aes y la l\u00f3gica difusa. A continuaci\u00f3n se introducen los scbrds, describi\u00e9ndose con detalle sus distintos componentes y se presenta una revisi\u00f3n de las propuesta evolutivas basadas en pg para el aprendizaje de scbrds. Finalmente, se introduce el problema de la alta dimensionalidad en el aprendizaje de scbrds y se muestran las principales propuestas existentes en la literatura para abordar su soluci\u00f3n. en el cap\u00edtulo 2 se presenta una propuesta basada en pg para la extracci\u00f3n de reglas difusas de clasificaci\u00f3n compactas y precisas en notaci\u00f3n dnf. Se ha realizado un an\u00e1lisis de diversos componentes de dicha propuesta para comprobar su adecuaci\u00f3n. Adem\u00e1s, se han comparado los resultados de nuestra propuesta con los obtenidos por otros algoritmos de aprendizaje de scbrds utilizando problemas que presentan alta dimensionalidad. Finalmente, los resultados obtenidos tanto en precisi\u00f3n como en compacticidad han sido validados mediante el uso de tests estad\u00edsticos no param\u00e9tricos. en el cap\u00edtulo 3 se presenta una propuesta coevolutiva para el aprendizaje simultaneo de un conjunto de reglas difusas de clasificaci\u00f3n compactas y precisas, y de la mejor definici\u00f3n de los conjuntos difusos asociados a las mismas. Para ello, se introducen el paradigma de la coevoluci\u00f3n, as\u00ed como el uso del esquema de representaci\u00f3n de 2-tuplas ling\u00ed\u00bc\u00edsticas que permite aprender los param\u00e9tros de los conjuntos difusos sin que esto suponga una perdida en la interpretabilidad del sistema. A continuaci\u00f3n se aplica esta propuesta sobre diferentes problemas que presentan una alta dimensionalidad, y se comparan sus resultados con los del modelo propuesto en el cap\u00edtulo anterior, describiendo las ventajas que aporta. Por \u00faltimo se\u00f1alar, que al igual que en cap\u00edtulo anterior, los resultados obtenidos se han validado mediante el uso de tests estad\u00edsticos no param\u00e9tricos. en el cap\u00edtulo 4 se resume el trabajo realizado y los resultados obtenidos en esta tesis, se presentan las conclusiones extra\u00eddas sobre los mismos, y se plantean trabajos futuros derivados de la misma. por \u00faltimo, se incluye un ap\u00e9ndice con la descripci\u00f3n de los tests estad\u00edsticos utilizados en esta tesis. La tesis termina con una recopilaci\u00f3n bibliogr\u00e1fica que recoge las contribuciones m\u00e1s destacadas en la materia estudiada.<\/p>\n

 <\/p>\n

Datos acad\u00e9micos de la tesis doctoral \u00abAprendizaje de sistemas basados en reglas difusas compactos y precisos con programaci\u00f3n gen\u00e9tica<\/strong>\u00ab<\/h3>\n
    \n
  • T\u00edtulo de la tesis:<\/strong>\u00a0 Aprendizaje de sistemas basados en reglas difusas compactos y precisos con programaci\u00f3n gen\u00e9tica <\/li>\n
  • Autor:<\/strong>\u00a0 Francisco Jose Berlanga Rivera <\/li>\n
  • Universidad:<\/strong>\u00a0 Granada<\/li>\n
  • Fecha de lectura de la tesis:<\/strong>\u00a0 16\/06\/2010<\/li>\n<\/ul>\n

     <\/p>\n

    Direcci\u00f3n y tribunal<\/h3>\n
      \n
    • Director de la tesis<\/strong>\n
        \n
      • Francisco Herrera Triguero<\/li>\n<\/ul>\n<\/li>\n
      • Tribunal<\/strong>\n
          \n
        • Presidente del tribunal: enrique Herrera viedma <\/li>\n
        • pedro Gonzalez garcia (vocal)<\/li>\n
        • sebastian Emilio Ventura soto (vocal)<\/li>\n
        • Manuel Mucientes molina (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n

           <\/p>\n","protected":false},"excerpt":{"rendered":"

          Tesis doctoral de Francisco Jose Berlanga Rivera Actualmente se ha incrementado de forma paralela tanto la cantidad de informaci\u00f3n almacenada […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"default","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-gradient":""}},"footnotes":""},"categories":[2528],"tags":[35616,37307,206579,57522,38601,34750],"class_list":["post-101688","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","tag-enrique-herrera-viedma","tag-francisco-herrera-triguero","tag-francisco-jose-berlanga-rivera","tag-manuel-mucientes-molina","tag-pedro-gonzalez-garcia","tag-sebastian-emilio-ventura-soto"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/101688","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/comments?post=101688"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/101688\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=101688"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=101688"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=101688"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}