Aprendizaje cooperativo para modelado lingüístico flexible basado en reglas difusasinterpretabilidad y precisión

  1. Casillas Barranquero, Jorge
Supervised by:
  1. Óscar Cordón García Director
  2. Francisco Herrera Triguero Director

Defence university: Universidad de Granada

Fecha de defensa: 13 July 2001

Committee:
  1. Miguel Delgado Calvo-Flores Chair
  2. Antonio González Muñoz Secretary
  3. César Hervás Martínez Committee member
  4. Adolfo Rodríguez de Soto Committee member
  5. Luciano Sánchez Ramos Committee member

Type: Thesis

Teseo: 81681 DIALNET

Abstract

El desarrollo de modelos matemáticos de sistemas reales es un aspecto vital en numerosas disciplinas de ingeniería y ciencia, Resulta crucial diseñar modelos que representen de forma adecuada la realidad. Sin embargo, existe una relación evidente entre la precisión necesaria en un modelo y su complejidad. Si el modelo es demasiado simple, no podrá representar adecuadamente las característics relevantes del sistema y no servirá para nuestros propósitos. Por otro lado,un modelo demasiado complejo no satisface su principal función, la de facilitar la comprensión del comportamiento del sistema modelado, resultando inútil en la práctica. Una de las formas más interesantes de realizar esta representación consiste en emplear reglas SI ENTONCES mediante el empleo de la lógica difusa. En el proceso de modelado, estas reglas se emplean dentro de lo que se conoce como un Sistema Basado en Reglas Difusas (SBRD). Dependiendo del tipo de SBRD que consideremos, podemos realizar distintas clases de modelado atendiendo a diferentes requisitos. Principalmente, podemos distinguir dos tipos de modelado con carcterísticas enfrentadas: modelado lingüístico (ML) y modelado difuso (MD). Mientras que el primero atiende fundamentalmente al poder descriptivo de los SBRDs, buscando modelos con una gran comprensibilidad (legibilidad o interpretabilidad), el segundo busca fundamentalmente alcanzar un alto grado de precisión. En general, la alta interpretabilidad se obtiene imponiendo ciertas restricciones mediante el uso de variables lingüísticas, lo cual conlleva que los SBRDs sean más rígidos. Por el contra, la precisión se persigue relajando dichas restricciones para hacer a los SBRDs más flexibles, resignándose a la consecuente pérdida de la legibilidad. Esta flexibilidad en el proceso de modelado indica la capacidad potencial de aproximarse al problema que se está resovliendo. Desde un punto de vista estadístico, disponer de mayor