Resumen

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.

• Materias:Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:conjuntos de datos numéricos, resultados, gustafson kessel possibilistic fuzzy c, algoritmos de agrupación difusa, pequeñas regiones homogéneas, gkpfcm, datos, medias, tipicidades, base de datos berkley
• Keywords:numerical data sets, results, gustafson kessel possibilistic fuzzy c, fuzzy clustering algorithms, small homogeneous regions, gkpfcm, data, means, typicalities, berkley database