Una introducción a la clasificación difusa
| dc.contributor.advisor | Hidalgo Mendoza, Ellis Rodney | es_PE |
| dc.contributor.author | Flores Macalupú, Luis Enrique | es_PE |
| dc.date.accessioned | 2022-06-04T17:22:34Z | |
| dc.date.available | 2022-06-04T17:22:34Z | |
| dc.date.issued | 2022 | |
| dc.description.abstract | En esta investigación, se encarga de explorar la clasificación difusa, para ello se necesita tener la información necesaria y suficiente, en este contexto se relaciona con la lógica difusa o borrosa donde se puede reducir la complejidad de los datos al clasificar en la toma de decisiones y a la vez es el más apropiado y se clasifica en dos algoritmos HCM y FCM. Los HCM también llamado Hard c-Means se encarga de clasificar datos en un sentido preciso utilizando la suma de errores al cuadrado de la clase con enfoque euclidiano norma para caracterizar la distancia, el método a utilizar lleva a encontrar la función objetivo, pero no asegura que se alcance el minino global (algunas particiones iniciales el resultado puede ser muy pobre). Como además el número de conjuntos C esta predeterminado, se puede dar que algún conjunto quede vacío. Los FCM también llamados Fuzzy c-Means es una familia de conjuntos borrosos lo que permite extender la clasificación nítida en una noción de clasificación difusa usando la medida de la suma de todos los errores cuadráticos ponderados y la distancia entre el centro se maximiza. Podemos asignar membresía a los diversos puntos de datos en cada conjunto difuso (clase difusa, grupo difuso), el resultado del algoritmo depende de la partición inicial lo cual nos puede llevar a un mínimo de la función objetivo. Finalmente, el algoritmo FCM se puede aproximar a un algoritmo HCM, es decir, solo salen ceros y unos de agrupamiento. Este resultado parece intuitivo, porque los valores de pertenencia son números menor o igual a 1. Por lo contrario, como los valores de agrupamiento se vuelven duros, es decir 0 o 1, es decir, controla el grado de participación compartida entre grupos difusos. | es_PE |
| dc.format | application/pdf | es_PE |
| dc.identifier.uri | https://repositorio.unp.edu.pe/handle/20.500.12676/3427 | |
| dc.language.iso | spa | es_PE |
| dc.publisher | Universidad Nacional de Piura | es_PE |
| dc.publisher.country | PE | es_PE |
| dc.rights | info:eu-repo/semantics/openAccess | es_PE |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
| dc.source | Universidad Nacional de Piura | es_PE |
| dc.subject | clasificación difusa | es_PE |
| dc.subject | HCM | es_PE |
| dc.subject | FCM | es_PE |
| dc.subject.ocde | http://purl.org/pe-repo/ocde/ford#1.01.02 | es_PE |
| dc.title | Una introducción a la clasificación difusa | es_PE |
| dc.type | info:eu-repo/semantics/bachelorThesis | es_PE |
| dc.type.version | info:eu-repo/semantics/publishedVersion | es_PE |
| renati.advisor.dni | 42203575 | |
| renati.advisor.orcid | https://orcid.org/0000-0003-0485-9034 | es_PE |
| renati.author.dni | 71373810 | |
| renati.discipline | 541026 | es_PE |
| renati.juror | Díaz Contreras, Elmer Porfirio | es_PE |
| renati.juror | Chirinos Zamora, Ramón Francisco | es_PE |
| renati.juror | López Castillo, Julio Enrique | es_PE |
| renati.level | http://purl.org/pe-repo/renati/nivel#tituloProfesional | es_PE |
| renati.type | http://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesional | es_PE |
| thesis.degree.discipline | Matemática | es_PE |
| thesis.degree.grantor | Universidad Nacional de Piura. Facultad de Ciencias | es_PE |
| thesis.degree.name | Licenciado en Matemática | es_PE |
Archivos
Bloque original
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- MATE-FLO-MAC-2022.pdf
- Tamaño:
- 2.31 MB
- Formato:
- Adobe Portable Document Format
- Descripción:
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: