Modelación de sistemas de inferencia basados en la técnica de la tabla de repertorio borroso. Un estudio experimental
DOI:
https://doi.org/10.30973/progmat/2020.12.3/3Palabras clave:
Reglas de Inferencia, lógica difusa, representación del conocimientoResumen
Los Sistemas de Inferencia Borrosa permiten modelar procesos complejos donde su característica principal es la incertidumbre o la imprecisión de los valores. Este tipo de sistemas emplea colecciones de reglas “Si-Entonces” que utilizan etiquetas lingüísticas para representar conceptos que no pueden tener un análisis cuantitativo preciso. En este artículo se presenta una herramienta para el desarrollo de Sistemas de Inferencia Borrosa empleando la Tabla de Repertorio Borroso, una técnica originada en el área de la Psicología para la representación del conocimiento que incorpora aspectos de la Lógica Borrosa. Dado un conjunto de ejemplos, un conjunto de dominios borrosos y sus etiquetas lingüísticas, la herramienta genera un modelo de clasificación borrosa multinivel, es decir reglas borrosas. Estos Sistemas de Inferencia Borrosa son del tipo MISO (multiple-in, simple-out), es decir, conjuntos de reglas borrosas con varias variables de entrada y una variable de salida. La herramienta permite al usuario desarrollar, evaluar y utilizar las reglas borrosas que modelan un proceso. Se presenta un caso de estudio que valida la técnica y la herramienta desarrollada. Los resultados obtenidos permiten corroborar la efectividad de la herramienta para la modelación de sistemas utilizando la técnica de la Tabla de Repertorio Borroso.
Citas
Dubois, D. J., Prade, H. M. Fuzzy Sets and Systems: Theory and Applications. New York: Academic Press, 1994.
Babuška, R., Verbruggen, H. B. Fuzzy Set Methods for Local Modelling and Identification. In: Murray-Smith, R., Johansen T.A. (Ed.). Multiple Model Approaches to Modelling and Control. Londres: Taylor & Francis, 1997, 75-100.
Hwang, G. J. Knowledge acquisition for fuzzy expert systems. International Journal of Intelligent Systems. 1995, 10(6), 541- 560. https://doi.org/10.1002/int.4550100602
Delgado, M., González, A. An inductive learning procedure to identify fuzzy systems. Fuzzy Sets and Systems. 1993, 55(2), 121-132. https://doi.org/10.1016/0165-0114(93)90125-2
Castro-Schez, J. J., Jennings, N. R., Luo, X., Shadbolt, N. R. Acquiring domain knowledge for negotiating agents: a case of study. International Journal of Human-Computer Studies. 2004, 61(1), 3-31. https://doi.org/10.1016/j.ijhcs.2003.09.006
Takagi, T. Sugeno, M. Fuzzy Identification of Systems and Its Applications to Modeling and Control. IEEE Transactions on Systems, Man and Cybernetics. 1985, 15(1), 116-132. https://doi.org/10.1109/TSMC.1985.6313399
Vinothini, S., Chandra Segar Thirumalai, Vijayaragavan, R. An efficient AFRA using an Intelligent Fuzzy Repertory Table technique. International Research Journal of Engineering and Technology. 2015, 2(2), 365-372.
Castro, J. L., Castro-Schez, J. J., Zurita, J. M. Learning maximal structure rules in fuzzy logic for knowledge acquisition in expert systems. Fuzzy Sets and Systems. 1999, 101(3), 331-342. https://doi.org/10.1016/S0165-0114(97)00105-X
Castro, J. L., Zurita, J. M. An inductive learning algorithm in fuzzy systems. Fuzzy Sets and Systems. 1997, 89(2), 193-203. https://doi.org/10.1016/S0165-0114(96)00106-6
Mamdani, E. H. Application of fuzzy algorithms for control of simple dynamic plant. Proceedings of the Institution of Electrical Engineers on Control & Science. 1974, 121(12), 1585-1588.
Castro-Schez, J. J., Castro, J. L., Zurita, J. M. Fuzzy Repertory Table: A Method for Acquiring Knowledge About Input Variables to Machine Learning Algorithm. IEEE Transactions on Fuzzy Systems. 2004, 12(1), 123- 139. https://doi.org/10.1109/TFUZZ.2003.822684
Edwards, H. M., McDonald, S., Young, S. M. The repertory grid technique: Its place in empirical software engineering research. Information and Software Technology. 2009, 51(4), 785-798. https://doi.org/10.1016/j.infsof.2008.08.008
Bradshaw, J. M., Ford, K. F., Adams-Webber, J. R., Boose, J. H. Beyond the Repertory Grid: New Approaches to Constructivist Knowledge Acquisition Tool Development. International Journal of Intelligent Systems. 1993, 8, 287–333.
Easterby-Smith, M., Thorpe, R., Holman, D. Using repertory grids in management. Journal of European Industrial Training. 1996, 20(3), 3-30. https://doi.org/10.1108/03090599610114138
Mehta, K. Abalone Age Prediction Problem: A Review. International Journal of Computer Applications: 2019, 178(50),43-49. Doi: 10.5120/ijca2019919425.
Sain, H, Purnami, S.W. Combine Sampling Support Vector Machine for Imbalanced Data Classification. Procedia Computer Science: 2015, 72, 59–66. https://doi.org/10.1016/j.procs.2015.12.105
Mayukh, H. Age of Abalones using Physical Characteristics:A Classification Problem. Department of Electrical and Computer Engineering, University of Wisconsin-Madison, 2010.
Wang, Z Abalone Age Prediction Employing A Cascade Network Algorithm and Conditional Generative Adversarial Networks. Research School of Computer Science, Australian National University, 2018.
Ranka, S., Singh, V. CLOUDS: A decision tree classifier for large datasets. Proceedings of the 4th Knowledge Discovery and Data Mining Conference: 1988, 2(8).
Fahlman, S. E., Lebiere, C. The cascade-correlation learning architecture. Advances in neural information processing systems: 1990, p. 524-532.
Mirza, M., Osindero S. Conditional Generative Adversarial Nets. Department of Computer Science and Operations Research, University of Montreal, Canada: 2014. arXiv preprint arXiv:1411.1784
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2020 Programación Matemática y Software
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Usted es libre de:
 |
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
 |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
 |
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
| Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
