Clasificación particional difusa no supervisada aplicando propiedades geométricas locales
- Flores Sintas, Antonio
- Fernando Martín Rubio Director/a
- José Manuel Cadenas Figueredo Director/a
Universidad de defensa: Universidad de Murcia
Año de defensa: 1997
- Roberto Moreno Díaz Presidente/a
- Antonio Skarmeta Gómez Secretario/a
- José Luis Freire Nistal Vocal
- Miguel Delgado Calvo-Flores Vocal
- José Luis Verdegay Galdeano Vocal
Tipo: Tesis
Resumen
EL AGRUPAMIENTO NO SUPERVISADO DE MUESTRAS ES UNA TAREA DE INVESTIGACION AL QUE SE ESTAN DEDICANDO GRANDES ESFUERZOS INTERNACIONALES, LOS RESULTADOS SE APLICAN TANTO A PROYECTOS PURAMENTE TECNICOS (RECONOCIMIENTO DE VOZ, IMAGENES, ETC) COMO COMERCIALES (SEGMENTACION DE CLIENTES, CLASIFICACION DE UNIDADES DE GESTION, ETC). LOS METODOS PARTICIONALES DIFUSOS PRESENTAN VARIOS PROBLEMAS IDENTIFICADOS EN LA MEMORIA, DE LOS QUE PODEMOS DESTACAR: INCOHERENCIA EN LA DEFINICION DEL GRADO DE PERTENENCIA, CONTRADICCIONES EN LA UTILIZACION DE METRICAS (DESTACANDO LAS CONTRADICCIONES EN EL USO DE LA DISTANCIA EUCLIDEA) Y UTILIZACION DE FUNCIONES OBJETIVO HEURISTICAS QUE NO SIEMPRE CUBREN LOS OBJETIVOS PARA LAS QUE ESTAN DEFINIDAS. EN LA MEMORIA SE PRESENTA UN ESTUDIO DE LAS PROPIEDADES LOCALES GEOMETRICAS DE UNA MUESTRA DE DONDE SE DEDUCEN LAS FUNCIONES OBJETIVO A UTILIZAR, SE ELIMINAN LAS CONTRADICCIONES EN EL USO DE LAS METRICAS MAS COMUNES, Y SE DIFERENCIAN LOS CONCEPTOS DE GRADO Y PROBABILIDAD DE PERTENENCIA. ADEMAS SE INTRODUCEN ESTOS CONCEPTOS EN UNA NUEVA DEFINICION DE PARTICION NO DIFUSA (HARD). COMO RESULTADOS CONCRETOS DESTACAMOS LA FORMALIZACION DE UN NUEVO ALGORITMO DE CLASIFICACION DENOMINADO FUZZY MINIMALS Y LA MODIFICACION DEL ALGORITMO CONOCIDO COMO FUZZY C-MEANS, LA DEFINICION DE LA MEDIDA DE LA VALIDEZ DE LA PARTICION DIFUSA Y DE LA PARTICION HARD, ASI COMO LA DEFINICION DE UNA RELACION DIFUSA ENTRE GRUPOS DE LA PARTICION HARD QUE PERMITE LA OBTENCION DE LA PARTICION IDONEA. LOS RESULTADOS DEL ESTUDIO SE APLICAN TANTO A MUESTRAS INTERNACIONALMENTE RECONOCIDAS COMO IDONEAS PARA TESTEAR ALGORITMOS DE CLASIFICACION COMO MUESTRAS TOMADAS DEL ENTORNO SOCIAL Y ECONOMICO.