Diseño de una clase de sistemas borrosos recurrentes mediante algoritmos genéticos para la tarea de clasificación de patrones

  1. J. Estévez 1
  2. S. Alayón 1
  3. L. Moreno 1
  4. R. Aguilar 1
  5. J. Sigut 1
  1. 1 Universidad de La Laguna
    info

    Universidad de La Laguna

    San Cristobal de La Laguna, España

    ROR https://ror.org/01r9z8p25

Actas:
Jornadas de Automática (23ª.2002. La Laguna)

Editorial: Comité Español de Automática CEA-IFAC

ISBN: 84-699-8916-2

Año de publicación: 2002

Tipo: Aportación congreso

GOOGLE SCHOLAR

Resumen

El presente artículo aborda la problemática delreconocimiento de patrones con una máquina deestados borrosa. Mediante algoritmos genéticos sepretende encontrar una máquina óptima que seacapaz de reconocer distintos patrones. Para validareste sistema, se ha aplicado la máquina alreconocimiento de patrones simulados(reconocimiento de series temporales generadas pormodelos ocultos de Markov) para luego aplicarla aun problema real: reconocimiento de patrones enimágenes médicas. Además, se ha comparado laefectividad de este método como clasificador depatrones con otros métodos ya existentes, tantosupervisados como no supervisados.

Referencias bibliográficas

  • Banzhaf W., Nordin P., Keller R. E., Francone F. D., Genetic Programming, Morgan Kaufmann Publishers, Inc., 1998.
  • Cordón O., Herrera F., Hoffmann F., Magdalena L., Genetic Fuzzy Systems: Evolutionary Tuning and Learning of Fuzzy Knowledge Bases, World Scientific Pub Co, 2002.
  • J.I. Estévez, L. Moreno, S. Alayón, R. Aguilar, J. Sigut, “Two problems in fuzzy state machine design: structure definition and rule base simplification”, Proceedings IFAC’02, 2002.
  • J. Estévez, S. Alayón, L. Moreno, R. Aguilar, J. Sigut, Cytological Breast Fine Needle Aspirate Images Analysis with a Genetic Fuzzy Finite State Machine, Fifteenth IEEE Symposium on Computer-Based Medical Systems, Maribor, Eslovenia, 2002.
  • P. Félix, S. Fraga, S. Barro, “Trend detection based on Fuzzy Temporal Profile Model”, Engineering of Intelligent Systems, EIS’98, Vol 1, pp. 134-140, 1998.
  • Ghahramani, Z., An introduction to Hidden Markov Models and Bayesian Networks, International Journal of Pattern Recognition and Artificial Intelligence, 15(1):9-42, 2001.
  • Jang J., Sun C., Mizutani E., Neurofuzzy and Soft Computing, Englewood Cliffs: Prentice-Hall, 1997.
  • W. Leow, R. Miikkulainen, “Visor: Schemabased scene analysis with structured neuronal networks”, Neural Processing Letters, Vol 1(2), pp. 18-23, 1994.
  • W. Leow, “Visor: Learning visual schemas in neural networks for object recognition in scene analysis”, Technical Report AI94-219, 1994.
  • Mayer G., Image Texture Analysis using Zero Crossing Information, Tesis Doctoral, Cytometrics Group, Center for Sensor Signal and Information Processing, Universidad de Queensland, Australia.
  • Rabiner, L, A tutorial on Hidden Markov models and selected applications in speech recognition, Proceedings of the IEEE, 77(2):257-286, 1989.
  • Robertson EA, Zweig MH, Use of receiver operating characteristic curves to evaluate the clinical perfomance of analytical systems. Clin Chem 1981; 27: 1569-1574.
  • F. Steimann, “The interpretation of time-varying data with diamon-1”, Artificial Intelligence in Medicine, Vol 8, pp.343-357, 1996.
  • F. Steimann, K. Adlassing, “Clinical Monitoring with Fuzzy Automata”, Fuzzy Sets and Systems, Man and Cybernetics, Vol 3, pp. 2840-2843, 1995.
  • Surmann, H., Maniadakis, M., Learning feedforward and recurrent fuzzy systems: A genetic approach, Journal of Systems Architecture, 47, 2001.
  • Sweets JA, Pickett RM, Evaluation of diagnostic systems: methods from signal detection theory. Nueva York, Academic Press, 1982.
  • Yan Y., Baranyi P., Yang C. T., Reduction of fuzzy rule base via singular value decomposition, IEEE Transactions on Fuzzy Systems, 7(2),120-132, 1994.