Resumen

El estudio se centra en la reducción de datos y características en la modelización difusa. Dado que estas actividades de reducción son beneficiosas para los modelos difusos en términos de la efectividad de su construcción y la interpretación de los modelos resultantes, su realización merece una atención particular. La formación de un subconjunto de características significativas y un subconjunto de instancias esenciales se discute en el contexto de los modelos basados en reglas difusas. En contraste con los estudios existentes, que se centran predominantemente en la selección de características (es decir, en la reducción del espacio de entrada), la postura defendida aquí es que una reducción debe implicar tanto datos como características para ser eficiente en el diseño del modelo difuso. El problema de reducción es combinatorio por naturaleza y, como tal, requiere el uso de técnicas avanzadas de optimización. En este estudio, utilizamos una técnica de optimización por enjambre de partículas (PSO) como un vehículo de optimización para formar un subconjunto de características y datos (instancias) para diseñar un modelo

• Materias:Máquina de vectores Marco neuronal híbrido Base de datos Inteligencia neuronal Sintonización de controladores
• Subjects:Vector machine Hybrid neural framework Database Neural intelligence Controller tuning
• Palabras claves:Estudio; Datos; Reducción de características; Modelado difuso; Técnicas de optimización; Enjambre de partículas;
• Keywords:Study; Data; Feature reduction; Fuzzy modeling; Optimization techniques; Particle swarm;