García Lorenzo, María MatildePiñero Pérez, Pedro Yobanis2020-03-112020-03-112005https://dspace.uclv.edu.cu/handle/123456789/12467En esta tesis se investiga acerca de las técnicas del softcomputing y sus potencialidades en el aprendizaje automático y en la resolución de complejos problemas de ayuda a la toma de decisiones y la clasificación. Se presenta en ella un nuevo modelo que permite aprender y generalizar en forma de reglas borrosas el conocimiento implícito en bases de casos y que posibilita además la clasificación de nuevos casos tomando como base la explotación de un sistema de inferencia borroso del tipo Sugeno grado cero. Como parte del modelo desarrollado se presentan nuevos criterios de selección de rasgos y los algoritmos MLRUL y GENRUL para la generación de reglas borrosas. Se desarrollan además algoritmos para la optimización de bases de reglas borrosas tomando como base la aplicación de heurísticas y algoritmos evolutivos. Para lograr la explotación del modelo se desarrollaron un grupo de bibliotecas básicas que permiten una fácil adaptación a disímiles situaciones donde se presenten problemas de toma de decisiones. Se muestra la aplicación del modelo desarrollado sobre bases de datos internacionales utilizando el sistema MLCLASSIF y se comparan los resultados con otros sistemas y modelos para la clasificación. Finalmente se presenta la adaptación del modelo a la resolución del problema de la construcción de hipnogramas del sueño a través del sistema SICES.In this thesis softcomputing techniques for machine learning, classification and making decision are discussed. We propose a new model to classify and to learn from data. This thesis systematically presents learning algorithms, which can be used to create fuzzy systems from data. The algorithms are especially designed for their capability to produce interpretable Sugeno grade cero fuzzy systems. Two algorithms to optimize fuzzy rules are proposed too. The first one inspired by the neural networks and the second based on estimation of distribution algorithms. The algorithms are presented in such a way that they can readily be used for implementations. As examples for neuro-fuzzy solutions using our model, the classification systems MLClassif 1.0 and SICES 1.0 are discussed. We compare our model (MLClassif 1.0) with different classifiers and use some medical databases published in the UCI Machine Learning Repository to obtain the results. We apply our model to solve the sleep stage classification problem and compare the SICES 1.0 results with other system.esEste 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 LicenseTécnicas del SoftcomputingAprendizaje AutomáticoToma de DecisionesClasificación SupervisadaReglas BorrosasHipnogramas del SueñoDiagnóstico MédicoInteligencia ArtificialDesarrollo de AlgoritmosThesis