Resumen

La reducción de atributos es uno de los problemas desafiantes que enfrenta la aplicación efectiva de la tecnología de inteligencia computacional para la inteligencia artificial. Su tarea es eliminar atributos prescindibles y buscar un subconjunto de características que posea la misma capacidad de clasificación que el conjunto de atributos original. Para lograr una reducción de atributos eficiente, se han desarrollado muchos algoritmos de búsqueda heurística. La mayoría de ellos se basan en el modelo en el que la aproximación de todos los conceptos objetivo asociados con un sistema de decisión se puede dividir en la de un solo concepto objetivo representado por un par de conceptos definibles conocidos como aproximaciones inferior y superior. Este artículo propone un modelo novedoso llamado aproximación macroscópica, considerando todos los conceptos objetivo como un todo indivisible que se aproxima mediante la región de frontera del conjunto áspero derivada de bloques de tolerancia inconsistentes, así como un marco de aproximación eficiente llamado aproximación macroscópica positiva (PMA), abordando aproximaciones macroscópicas con respecto a

• Materias:Modelado matemático Modelo de red neuronal Tasa de convergencia Aritmética Ondículas libres
• Subjects:Mathematical modeling Neural network model Convergence rate Arithmetic Free wavelets
• Palabras claves:Reducción de atributos; Inteligencia computacional; Algoritmos de búsqueda heurística; Aproximación macroscópica; Región de límite de conjunto áspero; Aproximación macroscópica positiva
• Keywords:Attribute reduction; Computational intelligence; Heuristic search algorithms; Macroscopic approximation; Rough set boundary region; Positive macroscopic approximation