Algoritmos para el aprendizaje de funciones de pertenencia en un sistema borroso basado en instancias
dc.contributor.advisor | Morell Pérez, Carlos | |
dc.contributor.advisor | Rodríguez Sarabia, Yanet | |
dc.contributor.author | Isac Palma, Christian Ariel | |
dc.coverage.spatial | Santa Clara | en_US |
dc.date.accessioned | 2018-06-19T23:24:36Z | |
dc.date.available | 2018-06-19T23:24:36Z | |
dc.date.issued | 2010-07-12 | |
dc.description.abstract | En los algoritmos de aprendizaje basados en instancias la función de similitud definida juega un papel determinante en el buen desempeño de los mismos. En el caso de un sistema borroso basado en instancias las funciones de pertenencia definidas para la modelación borrosa de los datos de entrada, inciden considerablemente sobre la función de similitud definida. En este trabajo se presenta una alternativa para incrementar la eficiencia de un sistema borroso basado en instancias, mediante la obtención de particiones borrosas óptimas. La partición borrosa óptima es determinada usando el algoritmo de Máximo Descenso. Este algoritmo es invocado para modificar los parámetros de las funciones de pertenencia en la dirección negativa del gradiente de la función de error. Adicionalmente, este procedimiento es combinado con el Método de Monte Carlo para evitar mínimos locales durante el proceso de búsqueda. Los resultados obtenidos con este método son competitivos comparados con otros métodos de aprendizaje automatizados recogidos en la literatura. | en_US |
dc.description.abstract | Instance based learning algorithms are sensitive to the definition of similarity function used. The performance of the resulting classifier largely depends on this component. Fuzzy instance based classifiers are also dependent of membership functions used to define fuzzy partitions for modeling continuous attributes. This work proposes an algorithm for estimating the best fuzzy partition for a given dataset in order to improve classification accuracy. The optimal fuzzy partition is determined using a steepest descent algorithm. This algorithm is invoked to modify membership function parameters in the negative gradient direction of the error function. Additionally, this procedure is combined with the Monte Carlo method to avoid local minimum during search process. Results obtained with this method are competitive compared to other state of the arts machine learning algorithms. | en_US |
dc.description.sponsorship | Facultad de Matemática, Física y Computación. Departamento de Ciencias de la Computación | en_US |
dc.description.status | non-published | en_US |
dc.identifier.uri | https://dspace.uclv.edu.cu/handle/123456789/9562 | |
dc.language.iso | es | en_US |
dc.publisher | Universidad Central “Marta Abreu” de Las Villas | en_US |
dc.rights | Este documento es Propiedad Patrimonial de la Universidad Central “Marta Abreu” de Las Villas. Los usuarios podrán hacer uso de esta obra bajo la siguiente licencia: Creative Commons: Atribución-No Comercial-Compartir Igual 4.0 License | en_US |
dc.subject | Sistema Borroso Basado en Instancias | en_US |
dc.subject | Función de Similitud Definida | en_US |
dc.subject | Particiones Borrosas Óptimas | en_US |
dc.subject | Algoritmo de Máximo Descenso | en_US |
dc.subject | Funciones de Pertenencia | en_US |
dc.subject | Método de Monte Carlo | en_US |
dc.subject | Métodos de Aprendizaje Automatizados | en_US |
dc.subject | .Inteligencia Artificial | en_US |
dc.subject.other | Sistemas Difusos | en_US |
dc.subject.other | Modelación | en_US |
dc.subject.other | Lógica Difusa | en_US |
dc.subject.other | Pertenencia | en_US |
dc.subject.other | Método de Monte Carlo | en_US |
dc.subject.other | Aprendizaje Automatizado | en_US |
dc.subject.other | Algoritmos | en_US |
dc.subject.other | Diseño | en_US |
dc.subject.other | Inteligencia Artificial | en_US |
dc.title | Algoritmos para el aprendizaje de funciones de pertenencia en un sistema borroso basado en instancias | en_US |
dc.type | Thesis | en_US |
dc.type.thesis | bachelor | en_US |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Tesis Christian Ariel Isac Palma.pdf
- Tamaño:
- 414.78 KB
- Formato:
- Adobe Portable Document Format
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 3.33 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: