Resumen

La evolución del sistema difuso ha demostrado ser influyente y exitosa en muchas capacidades de aproximación universal y aplicaciones. Este documento propone un modelo híbrido Neuro-Difuso y de Reducción de Características (NF-FR) para el análisis de datos. Este modelo NF-FR propuesto utiliza un proceso de difusificación de pertenencia de clase basado en características para todos los patrones. Durante el proceso de difusificación, todas las características se expanden en función del número de clases disponibles en el conjunto de datos. Esto ayuda a abordar los problemas de incertidumbre y ayuda al modelo basado en Redes Neuronales Artificiales (ANN) a lograr un mejor rendimiento. Sin embargo, la complejidad del problema aumenta debido a esta expansión de características de entrada en el proceso de difusificación. Estas características expandidas no siempre contribuyen significativamente al modelo. Para superar este problema, se utiliza la reducción de características (FR) para filtrar las características insignificantes, lo que resulta en un menor costo computacional de la red. Estas características significativas reducidas se utilizan

• Materias:Filtros borrosos Método difuso Multiconjuntos blandos borrosos Modelo híbrido neurodifuso Derivada fraccionaria difusa
• Subjects:Fuzzy filters Fuzzy method Fuzzy soft multisets Hybrid neuro-fuzzy model Fuzzy fractional derivative
• Palabras claves:Evolución; Sistema difuso; Híbrido; Neuro-Fuzzy; Reducción de características; Análisis de datos
• Keywords:Evolvement; Fuzzy system; Hybrid; Neuro-Fuzzy; Feature Reduction; Data analysis