Tomamos el concepto de tipicidad del campo de la psicología cognitiva, y aplicamos su significado a la interpretación de conjuntos de datos numéricos e imágenes en color mediante algoritmos de agrupamiento difuso, en particular el GKPFCM, buscando obtener mejor información de los datos procesados. El Gustafson Kessel Possibilistic Fuzzy c-means (GKPFCM) es un algoritmo híbrido que se basa en una tipicidad relativa (grado de pertenencia, Fuzzy c-means) y una tipicidad absoluta (valor de tipicidad, Possibilistic c-means). De este modo, el uso de ambas tipicidades permite aprender y analizar los datos, así como relacionar los resultados con la teoría de prototipos. Para demostrar estos resultados utilizamos un conjunto de datos sintéticos y una imagen digitalizada de un vaso, en un primer ejemplo, e imágenes de la base de datos Berkley, en un segundo ejemplo. Los resultados demuestran claramente las ventajas de la información obtenida sobre conjuntos de datos numéricos, teniendo en cuenta el diferente significado de las tipicidades y la disponibilidad de ambos valores con el algoritmo de agrupación utilizado. Este enfoque permite identificar pequeñas regiones homogéneas, difíciles de encontrar.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Control promediado para EDO fraccionarias y ecuaciones de difusión fraccionarias
Artículo:
Teoremas de Convergencia en un Nuevo Proceso de Iteración para Dos Aplicaciones No Autocentrada No Expansivas Asintóticamente con Errores en Espacios de Banach
Artículo:
Nuevo análisis de sincronización global para redes complejas con retardo de acoplamiento.
Artículo:
Subdivisión del Área de Tráfico Urbano basada en la Combinación de Zonificación Estática y Zonificación Dinámica.
Artículo:
Detección de obstáculos en entorno híbrido de campo traviesa basada en Campo Aleatorio de Markov para Vehículo Terrestre No Tripulado.