7 de abril

Resumen

2013
Inferencia de Sistema
Vargas Tapia Rogelio

La lgica difusa fue diseada precisamente para imitar el comportamiento del ser humano

Vlez Echagaray Gustavo Alberto Illescas Lpez Adrian Rogelio

Resumen 2013
Introduccin
Bioinformatica es un campo de la ciencia en el cual se fusionan varias disciplinas tales como: biologa, computacin y tecnologa de la informacin con el fin de organizar y almacenar grandes cantidades de informacin biolgica, impulsadas por los adelantos generados en gentica(genoma humano), biologa molecular(biochips) y la biotecnologa(nanotecnologia), las cuales han sido el motor de desarrollo de esta disciplina. La ingeniera biomdica y la gentica han dado un gran salto a la modernidad gracias a esta disciplina, como lo son los adelantos en genmica y proteomica, en donde cientficos y genetistas han centrado su atencin, pues la bioinformatica ha sido la base en la secuenciacin del genoma humano y de otras especies, y la relacin DNA-PRODUCTO (protenas, RNA); considerandose una herramienta imprescindible para el desarrollo de la biotecnologa y la medicina molecular debido al extraordinario avance de la gentica molecular y la genmica, que constituyen una estrategia para el bienestar social de la humanidad. Esta discplina pretende potenciar la aplicacin de las nuevas tecnologas y de los avances genticos para el beneficio de la salud. Como conclusin la bioinformatica es una disciplina muy prometedora, cuya visin llevara a las biociencias y la medicina a logros de gran trascendencia, como son hoy en dia la telemedicina,el descubrimiento de oncogenes, la nanotecnologa en pro de la medicina y el proyecto genoma humano. Nuestro objetivo actual es desarrollar un proceso para la mejora continua de los el sistema de inferencia utilizado, que es aplicable a cualquier aplicacin de datamining tal. Nuestra investigacin tambin involucra la comparacin de varios clasificadores como apoyo Vector Machines (SVM), experto humano generado algoritmo Fuzzy, Gentico (AG) generados Redes Neuronales Fuzzy y utilizando diferentes modelos de datos de entrenamiento

Resumen 2013
Estructura de un sistema de inferencia difuso. 1. Base de reglas (reglas difusas) 2. Diccionario, Una base de datos de las funciones de membresa. 3. Mecanismo de razonamiento Sistemas de inferencia difusa. El sistema de inferencia difusa, puede tomar valores certeros o difusos, considerando a los valores certeros como singlentons (impulsos).Salidas son variables difusas Para control, se requieren valores certeros entonces tenemos que defusificar.

Sistemas Fuzzy Inference (FISS) se componen en general de reglas difusas, la pertenencia funciones y una forma de fuzzification / defuzzificacin. Cualquiera de estos elementos podra ser actualizados o modificados para sintonizar la FIS. Cuatro conjuntos de reglas de la FIS se aplican actualmente utilizando dos mtodos, ingenuo y humanos (experto) y las reglas generadas manualmente un generacin automtica de conjuntos de reglas de algoritmos genticos (GAs) Entrenador estructura. Como se mencion anteriormente, el FIS se entrena con un GA. Seguimos el enfoque Pittsburgh, donde cada individuo representa una completa GA FIS candidatos. El individuo GA est integrado por n genes y cada gen corresponde a una regla difusa Red neuronal codificacin de entrada. Los datos de entrada utilizados para construir el neural red corresponde a los genes para cada organismo bajo estudio utilizando su alineacin de puntuacinvalores obtenidos a partir de los resultados TBLASTN y su pertenencia a la vas metablicas del organismo. Los datos de entrada se dividen en dos grupos: los genes que se encontr que pertenecen al organismo (buenos candidatos) y los que no lo hicieron (los malos candidatos)

Resumen 2013

Resumen:

El objetivo de este artculo es presentar el modela miento y validacin de un sistema de inferencia difuso para identificar eventos el cual deber resolver el problema de detectar el inicio del evento y seleccionar la informacin til del mismo El modelo de inferencia difusa seleccionado es, en el que el conjunto de reglas se construye a partir del conocimiento del experto, quien define la relacin que se esperara de la combinacin de los posibles estados de las variables Tcnicas de inteligencia artificial han sido utilizadas para el diagnstico de eventos, particularmente los sistemas expertos y las redes neuronales en combinacin con otras tcnicas en algunos casos, como lgica difusa o computacin evolutiva. Los seres humanos interpretan, toman decisiones y obtienen conclusiones con una cantidad importante de informacin lingstica imprecisa e incompleta. La teora de los conjuntos difusos suministra un clculo sistemtico relacionado con esta informacin y permiten la ejecucin de computacin numrica usando etiquetas lingsticas estipuladas por funciones de pertenencia. La seleccin de reglas de la forma SI ENTONCES son la componente clave de un sistema de inferencia difuso que pueden efectivamente modelar la pericia humana en una aplicacin especfica. Aunque los sistemas de inferencia difusos tiene una representacin estructurada del conocimiento en la forma de reglas difusas SI ENTONCES, ste carece de adaptabilidad relacionada con ambientes externos dinmicos, lo cual podra abordarse incorporando conceptos de aprendizaje de redes neuronales en el sistema de inferencia difuso La lgica difusa es la base de una teora de incertidumbre que se relaciona principalmente con la cuantificacin y el razonamiento utilizando el lenguaje natural en el que muchas palabras tienen significados ambiguos. La lgica difusa se desarroll a partir de la teora bsica de conjuntos difusos, establecidos por primera vez en un artculo de Lotfi Zadeh en 1965. Desde entonces la teora se ha extendido y aplicado a muchos campos tales como, algoritmos de control, diagnstico mdico, toma de decisiones, economa, ingeniera, ambiental, literatura, investigacin de operaciones, reconocimiento de patrones, psicologa, confiabilidad, seguridad y ciencias. El estudio de los sistemas difusos parte de las definiciones bsicas, notaciones y operaciones para los conjuntos difusos, incluyendo sus representaciones por funciones de pertenencia. Posteriormente se estudia su extensin a las relaciones

Resumen 2013
difusas, reglas difusas SI ENTONCES y razonamiento difuso. Por la interpretacin de estas reglas como relaciones difusas, varios esquemas de razonamiento difuso son comnmente usados para derivar conclusiones desde un conjunto de reglas difusas SI-ENTONCES. Estas reglas y el razonamiento difusos son la columna vertebral de los sistemas de inferencia difusa, los cuales son la ms importante herramienta de modela miento del conocimiento humano basado en teora de conjuntos difusos. Las reglas difusas que son utilizadas en el razonamiento difuso, son la manera que tiene un sistema difuso de guardar el conocimiento lingstico que le permiten resolver el problema para el cual ha sido diseado. Estas reglas son del tipo SIENTONCES y tiene dos partes: el antecedente y la conclusin dada por el consecuente. La estructura de las reglas difiere del sistema difuso utilizado (Mamdani o Takagi- Sugeno). Una regla difusa simple tiene la forma: si u es A entonces v es B, donde A y B son conjuntos difusos definidos en los rangos de u y v respectivamente. Una regla expresa un tipo de relacin entre los conjuntos A y B cuya funcin caracterstica sera AB(x,y) y representa lo que se conoce como implicacin lgica. Cada una de las reglas o proposiciones SI-ENTONCES es a su vez un conjunto difuso con su funcin caracterstica que mide el grado de verdad de la relacin de implicacin entre x e y. Un sistema difuso estar formado por varias reglas difusas base con diferentes consecuentes. Para obtener el conjunto completo de reglas que modelan un problema se puede partir de considerar todas las combinaciones de reglas que es posible establecer tericamente, sin embargo, entre todas esas reglas tericas habr algunas que no tengan sentido fsico y otras que no se ajustan a las caractersticas del problema a resolver, por lo cual se debern seleccionar de entre todas las reglas posibles, el conjunto de reglas ms adecuadas al problema en consideracin. La inferencia difusa es un mtodo que interpreta los valores en el vector de entrada y, basado en algn conjunto de reglas, asigna valores al vector de salida. La estructura bsica de un sistema de inferencia difusa consiste de tres conceptos: una base de reglas, una base de funciones de pertenencia usadas en las reglas difusas y un mecanismo de razonamiento, que ejecuta el proceso de inferencia. La salida de un sistema de inferencia difuso es un conjunto difuso

Resumen 2013
1) Difusor: Toma los valores numricos provenientes del exterior y los convierte en valores difusos que puedan ser procesados por el mecanismo de inferencia. Estos valores difusos son los niveles de pertenencia de los valores de entrada a los diferentes conjuntos difusos en los cuales se ha dividido el universo de discurso de las diferentes variables de entrada al sistema.

2) Mecanismo de inferencia difusa: Teniendo diferentes niveles de pertenencia entregados por el difusor, los mismos deben ser procesados para generar una salida difusa. La tarea del sistema de inferencia es tomar los niveles de pertenencia y apoyado en la base de reglas generar la salida del sistema difuso.

3) Base de reglas difusas: Como se mencion anteriormente, guardan el conocimiento lingstico para resolver el problema. En los sistemas tipo Mamdani el antecedente y consecuente de las reglas deben ser variables lingusticas.

4) Desdifusor: La salida que genera el mecanismo de inferencia es una salida difusa, lo cual significa que no puede ser interpretado por un elemento externo (un controlador por ejemplo) que solo manipule informacin numrica. El desdifusor convierte esta salida en un valor numrico que pueda ser interpretada por elementos externos. Esto se logra

Resumen 2013
Conclusiones El desarrollo de un sistema de inferencia utilizado para la identificacin de genes que codifican enzimas de metabolismo vas. Entrada de valores de alineacin de secuencia se utilizan para clasificar los mejores genes candidatos para su inclusin en un mapa va metablica. El flujo de trabajo del sistema permite al usuario proporcionar informacin, que se almacena en conjuncin con las secuencias analizadas para el reciclaje peridico. La construccin del sistema implicado el estudio de diferentes clasificador con diferentes topologas, conjuntos de datos y los datos de los parmetros de normalizacin modelos. Los resultados experimentales muestran una excelente capacidad de prediccin con los clasificadores entrenados con datos mixtos proporcionar los mejores resultados