{"id":104629,"date":"2010-02-11T00:00:00","date_gmt":"2010-02-11T00:00:00","guid":{"rendered":"https:\/\/www.deberes.net\/tesis\/sin-categoria\/aportacion-a-la-extraccion-de-conocimiento-aplicada-a-datos-mediante-agrupamientos-y-sitemas-difusos\/"},"modified":"2010-02-11T00:00:00","modified_gmt":"2010-02-11T00:00:00","slug":"aportacion-a-la-extraccion-de-conocimiento-aplicada-a-datos-mediante-agrupamientos-y-sitemas-difusos","status":"publish","type":"post","link":"https:\/\/www.deberes.net\/tesis\/inteligencia-artificial\/aportacion-a-la-extraccion-de-conocimiento-aplicada-a-datos-mediante-agrupamientos-y-sitemas-difusos\/","title":{"rendered":"Aportaci\u00f3n a la extracci\u00f3n de conocimiento aplicada a datos mediante agrupamientos y sitemas difusos"},"content":{"rendered":"<h2>Tesis doctoral de <strong> Benjamin Ojeda Maga\u00f1a <\/strong><\/h2>\n<p>Los avances en la tecnolog\u00eda en los \u00faltimos a\u00f1os han propiciado que se generen y se recolecten grandes cantidades de datos principalmente num\u00e9ricos, y hay un gran inter\u00e9s en procesarlos para extraer informaci\u00f3n y conocimiento de ellos, con el principal objetivo de hacer m\u00e1s eficientes los sistemas de donde se han obtenido estos datos. La informaci\u00f3n en una base de datos se encuentra impl\u00edcita en los valores que representan los diferentes estados de los sistemas, mientras que el conocimiento est\u00e1 impl\u00edcito en las relaciones entre los valores de los diferentes atributos o caracter\u00edsticas presentes en las bases de datos. Dichas relaciones se identifican mediante grupos (estructura interna) que hay que descubrir y que describen las relaciones entre los estados de entrada y de salida. Para ello se han desarrollado diferentes t\u00e9cnicas, una de las cuales es mediante los algoritmos de agrupamiento particionales.  en esta tesis se propone una aportaci\u00f3n a la extracci\u00f3n de informaci\u00f3n y de conocimiento a partir de bases de datos num\u00e9ricas, usando para ello algoritmos de agrupamiento particionales h\u00edbridos difusos. La informaci\u00f3n se extrae mediante la agrupaci\u00f3n y la caracterizaci\u00f3n de datos en t\u00edpicos, at\u00edpicos y ruido, as\u00ed como en la aplicaci\u00f3n a la sub-segmentaci\u00f3n de im\u00e1genes, donde se propone un nuevo enfoque con caracter\u00edsticas interesantes para la detecci\u00f3n de p\u00edxeles at\u00edpicos, que pueden ser relacionados a microcalcificaciones para la detecci\u00f3n de c\u00e1ncer de mama, o a los nudos en la madera para evaluar su calidad, ambos casos tratados en esta tesis, o en cualquier otra aplicaci\u00f3n de salud o industrial por ejemplo, en donde no importa si los p\u00edxeles a encontrar est\u00e1n presentes en muy peque\u00f1as cantidades.  el conocimiento se extrae mediante el establecimiento de dos modelos difusos de tipo takagi-sugeno que permiten la clasificaci\u00f3n y caracterizaci\u00f3n autom\u00e1tica de datos nuevos. Con ello se tiene un sistema capaz de producir informaci\u00f3n acerca de los datos num\u00e9ricos procesados con estos modelos. En este trabajo hemos utilizado principalmente el algoritmo de agrupamiento h\u00edbrido pfcm (possibilistic fuzzy c- means) al que hemos incorporado una mejora, cuyo algoritmo hemos denominado gkpfcm (gustafson-kessel possibilistic fuzzy c-means), y que permite encontrar grupos con formas m\u00e1s aproximadas a las distribuciones naturales de los grupos de datos. Esto queda de manifiesto en un aprendizaje no supervisado para la identificaci\u00f3n de pl\u00e1tanos y tomates maduros y tiernos que se presentan tambi\u00e9n en este documento. Entre los principales resultados obtenidos en el desarrollo de esta tesis podemos citar:  a) se propone un nuevo enfoque para la sub-segmentaci\u00f3n de im\u00e1genes digitales, aqu\u00ed basado en el algoritmo de agrupamiento pfcm. El prop\u00f3sito es poder determinar subgrupos de datos (p\u00edxeles) de inter\u00e9s que pueden ser los datos t\u00edpicos o los at\u00edpicos, aunque en muchas aplicaciones, particularmente en diagn\u00f3stico, son estos \u00faltimos los de m\u00e1s inter\u00e9s. En esta tesis mostramos dos aplicaciones a casos reales.  b) se mejora el algoritmo pfcm (gkpfcm) al incorporar la distancia de mahalanobis ya que los grupos encontrados tienen una mejor aproximaci\u00f3n a la distribuci\u00f3n natural de los datos.  c) asimismo, se propone la construcci\u00f3n de un clasificador que permite obtener autom\u00e1ticamente informaci\u00f3n de datos nuevos al clasificarlos y caracterizarlos como t\u00edpicos, at\u00edpicos o ruido. El clasificador est\u00e1 basado en dos modelos difusos de tipo takagi-sugeno, el cual obtiene sus par\u00e1metros a partir de los resultados generados por el algoritmo gkpfcm<\/p>\n<p>&nbsp;<\/p>\n<h3>Datos acad\u00e9micos de la tesis doctoral \u00ab<strong>Aportaci\u00f3n a la extracci\u00f3n de conocimiento aplicada a datos mediante agrupamientos y sitemas difusos<\/strong>\u00ab<\/h3>\n<ul>\n<li><strong>T\u00edtulo de la tesis:<\/strong>\u00a0 Aportaci\u00f3n a la extracci\u00f3n de conocimiento aplicada a datos mediante agrupamientos y sitemas difusos <\/li>\n<li><strong>Autor:<\/strong>\u00a0 Benjamin Ojeda Maga\u00f1a <\/li>\n<li><strong>Universidad:<\/strong>\u00a0 Polit\u00e9cnica de Madrid<\/li>\n<li><strong>Fecha de lectura de la tesis:<\/strong>\u00a0 02\/11\/2010<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n<h3>Direcci\u00f3n y tribunal<\/h3>\n<ul>\n<li><strong>Director de la tesis<\/strong>\n<ul>\n<li>Diego Andina De La Fuente<\/li>\n<\/ul>\n<\/li>\n<li><strong>Tribunal<\/strong>\n<ul>\n<li>Presidente del tribunal: javier Montero de Juan <\/li>\n<li>Juan  bta Grau olive (vocal)<\/li>\n<li>Antonio Vega corona (vocal)<\/li>\n<li>ascension Gallardo antolin (vocal)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n<p>&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Tesis doctoral de Benjamin Ojeda Maga\u00f1a Los avances en la tecnolog\u00eda en los \u00faltimos a\u00f1os han propiciado que se generen [&hellip;]<\/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":[2528,16008],"tags":[86117,60364,211398,86118,146886,211399],"class_list":["post-104629","post","type-post","status-publish","format-standard","hentry","category-inteligencia-artificial","category-politecnica-de-madrid","tag-antonio-vega-corona","tag-ascension-gallardo-antolin","tag-benjamin-ojeda-magana","tag-diego-andina-de-la-fuente","tag-javier-montero-de-juan","tag-juan-bta-grau-olive"],"_links":{"self":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/104629","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=104629"}],"version-history":[{"count":0,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/posts\/104629\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/media?parent=104629"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/categories?post=104629"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.deberes.net\/tesis\/wp-json\/wp\/v2\/tags?post=104629"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}