PRUEBA VIRTUAL 3

1.En qu consiste el algoritmo de clustering para la identificacin de modelos difusos?

Las tcnicas de clustering surgieron dentro de la disciplina patrones
de reconocimiento. Esta tcnica busca hallar subgrupos con cierto
grado de similaridad dentro de una coleccin de datos. Adems de
identificar cada subgrupo, determina los parmetros representativos de
cada uno. Originalmente se plante la idea de que cada dato solo
podra pertenecer a un solo subgrupo, denominado hard clustering. Ms
adelante se tom la idea de clustering difuso en el cual
particionalmente de datos se hace de forma tal que la transicin entre
conjuntos es gradual en lugar de abrupta como lo hara el hard
clustering. Para el estudio, la similaridad es definida como una
distancia, la cual puede ser medida entre vectores que contienen los
datos y un elemento prototipo del cluster, normalmente el centro.
Existen varios algoritmos de clustering los cuales tienen en cuenta:
la forma geomtrica, densidad y relacin espacial de cada cluster,
adems de la distancia entre ellos [3][4]. Se encuentran algoritmos
iterativos basados en la optimizacin de una funcin objetivo
diferenciable, con la cual se mide la conveniencia de la particin. En
este documento se trabaja sobre este tipo especfico de algoritmos.
Una de las primeras tcnicas de agrupamiento planteada que utiliza una
funcin objetivo es conocida como Fuzzy C-means [4]. Una desventaja de
esta tcnica es que la medida de similaridad entre datos genera
clusters circulares. En este artculo se trabajan tres algoritmos:
Gustafson-Kessel, Maximum Likelihood, y una modificacin a la versin
simplificada del Maximum Likelihood. Los dos primeros proponen una
distancia adaptiva con el fin de detectar clusters de diferentes
formas
geomtricas
y
orientacin,
es
decir,
generan
clusters
hiperelipsoidales que pueden ser aproximados a hiperplanos. La
desventaja de estos algoritmos es que al derivar los antecedentes
(funciones de pertenencia) que forman el modelo TSK, se producen
errores por proyeccin o poca interpretabilidad cuado se corrige este
error. El tercer algoritmo maneja clusters de forma hiperelipsoidal
pero paralelos a los ejes de las variables de entrada. Debido a esto
no se producen errores al derivar los antecedentes teniendo una alta
interpretabilidad; la desventaja es que se pierde predictividad de
modelo.

2.Cmo se realiza la aplicacin de la lgica difusa en las bases de datos?

Una

vez

que

se

definen

las

relaciones

difusas,

es

posible

el

desarrollo de bases de datos relacionales difusos. La primera base de

datos relacional difusa, BDRD, apareci en la tesis doctoral de Mara
Zemnkov. Ms tarde, surgieron algunos otros modelos como el modelo
Buckles-Petry, el Modelo de Prade-Testemale, el modelo Umano-Fukami o
el modelo GEFRED por JM Medina, MA Vila et al. En el contexto de las
bases de datos difusos, algunos lenguajes de consulta difusos se han
definido, destacando la SQLf por P. Bosc et al. y la FSQL por J.
Galindo et al. Estos lenguajes definen algunas estructuras con el fin
de

incluir

los

aspectos

difusos

en

las

sentencias

SQL,

como

condiciones

difusas,

comparadores

difusos,

constantes

difusas,

restricciones difusas, umbrales difusos, etiquetas lingsticas, etc.

Las bases de datos difusas nacen de unir la teora de bases de datos,
principalmente

del

modelo

relacional

con

la

teora

de

conjuntos

difusos, para permitir, bsicamente dos objetivos:

-

El almacenamiento de informacin difusa (adems de

informacin no difusa)
-

El tratamiento y consulta de esta informacin de forma

difusa o flexible.

El diseo de las base de datos difusos se realiza en 3 niveles:

Modelo Conceputal: Fuzzy ER / EER
Modelo Lgico: Extensin del modelo relacional
Modelo Fsico: Fuzzy SQL, SQL Fuzzy

3.Cules son las caractersticas principales de una red neuronal difusa?

Las Redes Neuronales Artificiales, ANN (Artificial Neural Networks)

estn inspiradas en las redes neuronales biolgicas del cerebro
humano. Estn constituidas por elementos que se comportan de forma
similar a la neurona biolgica en sus funciones ms comunes. Estos
elementos estn organizados de una forma parecida a la que presenta el
cerebro humano.
Las ANN al margen de "parecerse" al cerebro presentan una serie de
caractersticas propias del cerebro. Por ejemplo las ANN aprenden de
la experiencia, generalizan de ejemplos previos a ejemplos nuevos y
abstraen las caractersticas principales de una serie de datos.
Aprender: adquirir el conocimiento de una cosa por medio
del estudio, ejercicio o experiencia. Las ANN pueden cambiar su
comportamiento en funcin del entorno. Se les muestra un conjunto de
entradas y ellas mismas se ajustan para producir unas salidas
consistentes.
Generalizar: extender o ampliar una cosa. Las ANN
generalizan
automticamente
debido
a
su
propia
estructura
y
naturaleza. Estas redes pueden ofrecer, dentro de un margen,
respuestas correctas a entradas que presentan pequeas variaciones
debido a los efectos de ruido o distorsin.
Abstraer: aislar mentalmente o considerar por separado las
cualidades de un objeto. Algunas ANN son capaces de abstraer la
esencia de un conjunto de entradas que aparentemente no presentan
aspectos comunes o relativos.

4.En qu consiste el mapa autoorganizado de Kohonen? Cul es su relacin con el

anlisis de datos?
Existen cuatro aspectos que caracterizan una red neuronal: su
topologa, el mecanismo de aprendizaje, tipo de asociacin realizada
entre la informacin de entrada y salida, y la forma de representacin
de estas informaciones.

Redes Monocapa: Se establecen conexiones laterales, cruzadas o

autorrecurrentes entre las neuronas que pertenecen a la nica capa que
constituye la red. Se utilizan en tareas relacionadas con lo que se
conoce como autoasociacin; por ejemplo, para generar informaciones de
entrada que se presentan a la red incompleta o distorsionada.
Redes Multicapa: Son aquellas que disponen de conjuntos de neuronas
agrupadas en varios niveles o capas. Una forma de distinguir la capa a
la que pertenece la neurona, consiste en fijarse en el origen de las
seales que recibe a la entrada y el destino de la seal de salida.
Segn el tipo de conexin, como se vio previamente, se distinguen las
redes feedforward, y las redes feedforward/feedback

5.Cules son las caractersticas principales de la evolucin del aprendizaje con las
redes neuronales artificiales?
El aprendizaje es el proceso por el cual una red neuronal modifica sus
pesos en respuesta a una informacin de entrada. Los cambios que se
producen durante el proceso de aprendizaje se reducen a la
destruccin, modificacin y creacin de conexiones entre las neuronas,
la creacin de una nueva conexin implica que el peso de la misma pasa
a tener un valor distinto de cero, una conexin se destruye cuando su
peso pasa a ser cero. Se puede afirmar que el proceso de aprendizaje
ha finalizado (la red ha aprendido) cuando los valores de los pesos
permanecen estables (dwij / dt = 0).
Un criterio para diferenciar las reglas de aprendizaje se basa en
considerar si la red puede aprender durante su funcionamiento
habitual, o si el aprendizaje supone la desconexin de la red.
Otro criterio suele considerar dos tipos de reglas de aprendizaje: las
de aprendizaje supervisado y las correspondientes a un aprendizaje no
supervisado, estas reglas dan pie a una de las clasificaciones que se
realizan de las RNA: Redes neuronales con aprendizaje supervisado y
redes neuronales con aprendizaje no supervisado. La diferencia
fundamental entre ambos tipos estriba en la existencia o no de un
agente externo (supervisor) que controle el aprendizaje de la red.
Redes con Aprendizaje Supervisado. El proceso de aprendizaje se
realiza mediante un entrenamiento controlado por un agente externo
(supervisor, maestro) que determina la respuesta que debera generar
la red a partir de una entrada determinada. El supervisor comprueba la
salida de la red y en el caso de que sta no coincida con la deseada,
se proceder a modificar los pesos de las conexiones, con el fin de
conseguir que la salida se aproxime a la deseada.
Se consideran tres formas de llevar a cabo este tipo de aprendizaje:
Aprendizaje por correccin de error: Consiste en ajustar los pesos en
fucin de la diferencia entre los valores deseados y los obtenidos en
la salida de la red; es decir, en funcin del error.
Aprendizaje por refuerzo: Se basa en la idea de no indicar durante el
entrenamiento exactamente la salida que se desea que proporcione la
red ante una determinada entrada. La funcin del supervisor se reduce

a indicar mediante una seal de refuerzo si la salida obtenida en la

red se ajusta a la deseada (xito=+1 o fracaso=-1), y en funcin de
ello se ajustan los pesos basandose en un mecanismo de probabilidades.
Aprendizaje
estocstico:
Este
tipo
de
aprendizaje
consiste
bsicamente en realizar cambios aleatorios en los valores de los pesos
de las conexiones de la red y evaluar su efecto a partir del objetivo
deseado y de distribuciones de probabilidad.
Redes con Aprendizaje No Supervisado. Estas redes no requieren
influencia externa para ajustar los pesos de las conexiones entre
neuronas. La red no recibe ninguna informacin por parte del entorno
que le indique si la salida generada es o no correcta, asi que existen
varias posibilidades en cuanto a la interpretacin de la salida de
estas redes.
neuronas compiten por activarse , quedando finalmente una, o una por
grupo, como neurona vencedora
Estos dos mecanismos de asociacin de asociacin dan lugar a dos tipos
de
redes
neuronales:
las
redes
heteroasosciativas
y
laas
autoasociativas. Una red heteroasociativa podra considerarse aquella
que computa cierta funcin, que en la mayora de los casos no podr
expresarse analticamente, entre un conjunto de entradas y un conjunto
de salidas, correspondiendo a cada posible entrada una determinada
salida. Existen redess heteroasociativas con conexiones feedforward,
feedforward/feedback y redes con conexiones laterales. Tambien existen
redes heteroasociativas multidimensionales y su aprendizaje puede ser
supervisado o no supervisado.
Por otra parte, una red autoasociativa es una red cuya principal
misin es reconstruir una determinada informacin de entrada que se
presenta incompleta o distorsionada (le asocia el dato almacenado ms
parecido). Pueden implementarse con una sola capa, existen conexiones
laterales o tambien autorrecurrentes, habitualmente son de aprendizaje
no supervisado.