Resumen de Aprendizaje de las particiones difusas para sistemas basados en reglas lingüísticas
Los Sistemas Basados en Reglas Difusas (SBRDs) constituyen una herramienta para el modelado de sistemas, En el denominado "modelado linguistico", el requerimiento prioritario del modelo obtenido es la interpretabilidad del mismo, y se realiza mediante los Sistemas Basados en Reglas Difusas Descriptivos (SBRDDs). En dichos sistemas la base de conocimiento está compuesta por una colección de reglas que constituyen de la base de Reglas Linguisticas (BRL), y por la Base de Datos (BD), que contiene la definición de los conjuntos difusos asociados a los términos lingüisticos empleados en las reglas. Cuando no se dispone de un "experto" que defina la base de conocimiento, son necesarios métodos de aprendizaje automático para la derivación de la misma utilizando información numérica sobre el problema a resolver. La mayoría de esos métodos se han centrado en el aprendizaje de la BRL, utilizando una BD previamente definida. Debido a que el comportamiento del SBRDD es muy sensible a la definición de la BD, tambien se han estudiado métodos de ajuste de la BD "a posteriori" una vez aprendida la BRL. En esos procesos no se modifica el número de etiquetas (granularidad) de cada variable.
En esta tesis se pretende demostrar la influencia del nivel de granularidad en el comportamiento de los SBRDDs, además de proponer una serie de métodos de aprendizaje automático de la base de conocimiento mediante la derivación "a priori", de la BD, que pueden usarse en combinación con cualquier algoritmo de generación de la BRL. Los métodos son los siguientes:
-Un método de aprendizaje del nivel de granularidad adecuado para cada variable lingüística basado en la tecnica de "Recocido Simulado"("Simulated Annealing").
-Un metodo de aprendizaje del nivel de granularidad y funciones de pertenencia para cada variable lingüística utilizando un "Algoritmo Genético", que implementan un ajuste "local" de cada una de las etiquetas.
-Un metod
