UNIVERSIDAD MAYOR DE SAN ANDRÉS FACULTAD DE CIENCIAS PURAS Y NATURALES
CARRERA DE INFORMATICA
TESIS DE GRADO
“SISTEMA EXPERTO PARA EL DIAGNÓSTICO DE ENFERMEDAD VENÉREA DE LA GONORREA”
(ENFERMEDADES DE TRANSMISIÓN SEXUAL)
PARA OPTAR AL TÍTULO DE LICENCIATURA EN INFORMATICA MENCION: INGENIERIA DE SISTEMAS INFORMATICOS
POSTULANTE: LUIS MARIO CHAUCA FERNANDEZ TUTORA METODOLOGICA: LIC. MENFY MORALES RIOS
ASESOR: M. Sc. CARLOS MULLISACA CHOQUE
LA PAZ – BOLIVIA 2015
UNIVERSIDAD MAYOR DE SAN ANDRÉS FACULTAD DE CIENCIAS PURAS Y NATURALES
CARRERA DE INFORMÁTICA
LA CARRERA DE INFORMÁTICA DE LA FACULTAD DE CIENCIAS PURAS Y NATURALES PERTENECIENTE A LA UNIVERSIDAD MAYOR DE SAN ANDRÉS AUTORIZA EL USO DE LA INFORMACIÓN CONTENIDA EN ESTE DOCUMENTO SI LOS PROPÓSITOS SON ESTRICTAMENTE ACADÉMICOS.
LICENCIA DE USO
El usuario está autorizado a:
a) visualizar el documento mediante el uso de un ordenador o dispositivo móvil.
b) copiar, almacenar o imprimir si ha de ser de uso exclusivamente personal y privado.
c) copiar textualmente parte(s) de su contenido mencionando la fuente y/o haciendo la referencia correspondiente respetando normas de redacción e investigación.
El usuario no puede publicar, distribuir o realizar emisión o exhibición alguna de este material, sin la autorización correspondiente.
TODOS LOS DERECHOS RESERVADOS. EL USO NO AUTORIZADO DE LOS CONTENIDOS PUBLICADOS EN ESTE SITIO DERIVARA EN EL INICIO DE ACCIONES LEGALES CONTEMPLADOS EN LA LEY DE DERECHOS DE AUTOR.
ÍNDICE
1.1. INTRODUCCIÓN ... 1
1.2. ANTECEDENTES ... 1
1.3. PLANTEAMIENTO DEL PROBLEMA ... 2
1.4. FORMULACIÓN DEL PROBLEMA ... 3
1.5. PLANTEAMIENTO DE OBJETIVOS... 3
1.5.1. OBJETIVO GENERAL ... 3
1.5.2. OBJETIVOS ESPECÍFICOS ... 3
1.6. JUSTIFICACIÓN... 3
1.6.1. TÉCNICA... 3
1.6.2. SOCIAL ... 4
1.6.3. PRACTICA ... 4
1.6.4. ECONÓMICA ... 4
1.7. ALCANCES ... 4
1.8. HIPÓTESIS ... 4
1.8.1. IDENTIFICACIÓN DE VARIABLES ... 5
1.9. METODOLOGÍA ... 5
1.9.1. MÉTODO DE INVESTIGACIÓN ... 5
1.9.2. UNIVERSO Y MUESTRA ... 5
2.1. SISTEMAS EXPERTOS ... 6
2.1.1. INTRODUCCIÓN A LOS SISTEMAS EXPERTOS ... 6
2.1.2. DEFINICIÓN ... 6
2.1.3. DIFERENCIAN ENTRE UN SISTEMA EXPERTO Y UN TRADICIONAL. ... 7
2.1.4. TIPOS DE SISTEMAS EXPERTOS ... 7
2.1.4.1. SISTEMAS EXPERTOS DETERMINISTA ... 8
2.1.4.2. SISTEMAS EXPERTOS ESTOCÁSTICOS ... 8
2.1.5. COMPONENTES DE UN SISTEMA EXPERTO ... 9
2.1.5.1. LA COMPONENTE HUMANA ... 10
2.1.5.2. LA BASE DE CONOCIMIENTO ... 11
2.1.5.3. SUBSISTEMA DE ADQUISICIÓN DE CONOCIMIENTO ... 11
2.1.5.4. CONTROL DE LA COHERENCIA ... 11
2.1.5.5. EL MOTOR DE INFERENCIA ... 12
2.1.5.6. EL SUBSISTEMA DE ADQUISICIÓN DE CONOCIMIENTO ... 12
2.1.5.7. INTERFACE DE USUARIO ... 13
2.1.5.8. EL SUBSISTEMA DE EJECUCIÓN DE ÓRDENES ... 13
2.1.5.9 EL SUBSISTEMA DE EXPLICACIÓN ... 13
2.1.5.10 EL SUBSISTEMA DE APRENDIZAJE ... 14
2.1.6. IMPORTANCIA SISTEMAS EXPERTOS ... 15
2.2. LÓGICA DIFUSA ... 16
2.2.1. INTRODUCCIÓN ... 16
2.2.2. CONJUNTOS DIFUSOS ... 16
2.2.3. FUNCIONES DE MEMBRESÍA ... 17
2.2.4. OPERACIONES DIFUSAS ... 19
2.2.5. FUZZIFICACIÓN ... 20
2.2.6. REGLAS DIFUSAS ... 21
2.2.6.1. REGLAS DIFUSAS DE MAMDANI ... 22
2.2.6.2. REGLAS DIFUSAS DE TAKAGI-SUGENO ... 22
2.2.7. INFERENCIA DIFUSA ... 23
2.2.8. AGREGADO ... 23
2.2.9. DEFUSIFICACIÓN ... 24
2.3. METODOLOGÍA DE DESARROLLO DE BUCHANAN. ... 26
2.3.1 IDENTIFICACIÓN. ... 27
2.3.2 CONCEPTUALIZACIÓN. ... 27
2.3.3 FORMALIZACIÓN. ... 27
2.3.4 IMPLEMENTACIÓN. ... 27
2.3.5 PRUEBA. ... 27
2.4. ENFERMEDADES VENÉREAS ... 29
2.4.1. INTRODUCCIÓN A LAS ENFERMEDADES VENÉREAS ... 29
2.4.2. DEFINICIÓN ... 29
2.4.3. CAUSAS DE LAS ENFERMEDADES VENÉREAS O ETS... 29
2.5. GONORREA O BLENORRAGIA ... 30
2.5.1. DEFINICIÓN ... 30
2.5.2. DATOS GENERALES ... 30
2.5.3. FRECUENCIA ... 31
2.5.4. CONTAGIO ... 31
2.5.4.1. VÍA SEXUAL ... 31
2.5.4.2. VÍA MATERNA ... 31
2.5.5. MANIFESTACIONES... 32
2.5.5.1. SÍNTOMAS EN EL HOMBRE ... 33
2.5.5.2. SÍNTOMAS EN LA MUJER ... 33
2.5.5.3. SÍNTOMAS EN LA ZONA ANAL ... 33
2.5.5.4. SÍNTOMAS EN LA BOCA Y/O GARGANTA ... 33
2.5.6. GONORREA EN EL EMBARAZO ... 34
2.5.7. COMPLICACIONES DE LA GONORREA ... 34
2.5.7.1. PROBLEMAS DURANTE EL EMBARAZO ... 34
2.5.7.2. INFERTILIDAD ... 35
2.5.7.3. ARTRITIS ... 35
3.1.1. IDENTIFICACIÓN ... 37
3.1.3. FORMALIZACIÓN ... 41
3.1.3.1. COMPONENTES ... 43
3.1.3.2. INTERACCION DELOS COMPONENTES DEL SISTEMA EXPERTO ... 49
3.1.3.3. DESCRIPCIÓN DEL MODELO ... 49
3.1.3.4. FUZZIFICACION DE VARIABLES ... 51
3.1.3.5. DESFUZZIFICACION DE VARIABLES ... 53
3.1.4. IMPLEMENTACIÓN ... 54
3.1.4.1 HARDWARE ... 54
3.1.4.2. LENGUAJE DE PROGRAMACIÓN ... 54
3.1.4.3. PROTOTIPO ... 54
3.1.5. TESTEO ... 59
4.1. ANÁLISIS DE RESULTADOS ... 62
5.1 CONCLUSIONES ... 66
5.2. CUMPLIMIENTO DE LOS OBJETIVOS. ... 66
5.3 RECOMENDACIONES ... 67
BIBLIOGRAFÍA ... 68
LISTA DE FIGURAS
Figura 2.1. Campos de aplicación de los sistemas expertos. Adaptado de ... 7
Figura 2.2 componentes de un sistema experto ... 9
Figura 2.3. Componentes típicos de un sistema experto. Las flechas representan el flujo de la información. ... 10
Figura 2.4. Ejemplo de subconjuntos borrosos para el conjunto velocidad. ... 17
Figura 2.5 Forma Triangular ... 18
Figura 2.6 Forma S ... 18
Figura 2.7 Forma Trpezoidal ... 18
Figura 2.8 Forma singleton ... 19
Figura 2.9 cuadro de operaciones and, or y not ... 20
Figura 2.10. Ejemplo de Fuzzificación de una variable. ... 20
Figura 2.11. Sistema de inferencia difusa ... 26
Figura 2.12 Identificación, conceptualización, formalización, implementación y prueba. ... 276
Figura 2.13 Figura de como funcionaria la reformulación Fuente [elaboración propia] ... 28
Figura 2.14 Virus de la gonorrea visto microscópicamente ... 31
Figura 2.15 contagio de la gonorrea vía maternal ... 32
Figura 2.16 lugar donde se encuentra la gonorrea ... 33
Figura 2.17 Infeccion en la zona de la boca ... 34
Figura 2.18 cambios típicos actritis ... 36
Figura 3.1 componentes que intervienen en el sistema de trabajo ... 37
Figura 3.2 estructura del sistema experto propuesto ... 38
Figura 3.3 ÁRBOL AND/OR ... 42
Figura 3.4 Descripción grafica del modelo Fuente [elaboración propia] ... 51
Figura 3.5 Conjunción difuso de la variable ultimo coito “Mujer” ... 52
Figura 3.6 Conjunción difuso de la variable ultimo coito “Hombre” ... 52
Figura 3.7 Pantalla principal prototipo ... 55
Figura 3.8 Pantalla principal prototipo ... 55
Figura 3.9 Información sobre las enfermedades sexuales ... 56
Figura 3.10 Llenado de formulario para varón o mujer ... 56
Figura 3.11 Formulario mujer ... 57
Figura 3.12 Formulario hombre ... 57
Figura 3.13 Muestra de diagnostico ... 58
Figura 3.14 Diagnostico inconcluso ... 58
Figura 3.15 Diagnostico inconcluso ... 59
Figura 3.16 Diagnostico pasiente ... 60
Figura 3.17 Diagnostico paciente ... 60
LISTA DE TABLAS
Tabla 2.1 diferencia entre un sistema experto y uno tradicional ... 7
Tabla 2.2. Definición de los cuatro métodos de inferencia más populares. ... 23
Tabla 3.1 Síntomas en la mujer infectada ... 40
Tabla 3.2 Síntomas en el hombre infectado ... 40
Tabla 3.3 Síntomas en el hombre infectado ... 41
Tabla 3.4 Descripción de las variables. Fuente [elaboración propia] ... 43
Tabla 3.5 Función de pertenencia de la variable ultimo coito “Mujer” ... 52
Tabla 3.6 Función de pertenencia de la variable ultimo coito “Hombre”... 53
Tabla4.1 Tabla comparativa sistema experto – experto humano ... 63
Tabla4.2 Tabla comparativa sistema experto – experto humano ... 63
Tabla4.3 Tabla comparativa sistema experto – experto humano en función de consultas... 64
Tabla4.4 Tabla comparativa número de visitas a consulta con el experto humano ... 64
1.1. INTRODUCCIÓN
La investigación científica a buscado desde sus inicios el desarrollo de nuevas técnicas para resolver problemas de gran gravedad social. Uno de los sectores que predomina la investigación es el área de salud. Individuos o grupos de trabajo dedican su actividad de creación de nuevas técnicas de tratamiento, vacunas, fármacos o procesos de tratamiento que puedan prevenir, curar o detener el progreso de ciertas enfermedades.
Las personas dedicadas en el área de la salud, requieren entrenamiento para ser especialistas en alguna pequeña área en específico, además cuando existe una amplia diversidad de enfermedades y trastornos, los síntomas pueden ser confusos cuando se busca determinar rápidamente un diagnóstico oportuno. Esto puede influir en la sobrevivencia o la muerte del paciente.
Entre las enfermedades más comunes se tiene las venéreas los cuales afectan a algunas regiones específicas de nuestro cuerpo en la mayoría los aparatos reproductivos que son transmitidos mediante relaciones sexuales. La diversidad de las enfermedades venéreas los lleva a ser calcificados por parásitos, bacterianas, virus; entre las bacterianas tenemos a la gonorrea que es una infección muy común en las personas ya que los síntomas aparecen al cabo de cierto tiempo lo cual hace que las personas lo pasen por alto la enfermedad.
Los sistemas expertos contribuyen enormemente a la toma de decisiones ya tienen plasmado en sus programas el conocimiento y la experiencia que tiene un experto en el área, da la impresión de que piensan y razonan como lo aria el experto en el área. Además no sólo realiza las funciones tradicionales de manejar grandes cantidades de datos, sino que también manipula esos datos de forma tal que el resultado sea inteligible y tenga significado para responder a preguntas incluso no completamente especificadas [Stevens, (1984)].
1.2. ANTECEDENTES
En 1967 se construye DENDRAL, que se considera como el primer sistema experto. Se utilizaba para identificar estructuras químicas moleculares a partir de su análisis espectro gráfico.
Entre 1970 y 1980 se desarrolló MYCIN para consulta y diagnóstico de infecciones de la sangre. Este sistema introdujo nuevas características: utilización de conocimiento impreciso para razonar y posibilidad de explicar el proceso de razonamiento. Lo más importante es que funcionaba de manera correcta, dando conclusiones análogas a las que un ser humano daría tras largos años de experiencia. En MYCIN aparecen claramente diferenciados motor de inferencia y base de conocimientos. Al separar esas dos partes, se puede considerar el motor de inferencias aisladamente. Esto da como resultado un sistema vacío o Shell.
Tesis “Sistemas Expertos para la realización de diagnóstico de trastornos neuromusculares con electromiografía” [Universidad del Aconcagua, 2011] La presente tesis investiga la utilización de sistemas expertos para la realización de sistema para diagnóstico de enfermedades neuromusculares con electrometría y demostrar la factibilidad de realizar un sistema de estar características usando reglas de producción, así como también las ventajas que esta tecnología nos brinda.
Tesis “Sistema experto para el diagnóstico de la enfermedad coronaria” [UMSA, 2013] Este tesis trata sobre la diagnosticas ión de la enfermedad coronaria que ayudara a los pacientes como al especialista. En el diagnóstico de la enfermedad, con sus diversas preguntas predefinidas para dar el resultado.
1.3. PLANTEAMIENTO DEL PROBLEMA
En nuestro medio las enfermedades adquiridas en el trascurso de nuestra vida diaria provocan algunos síntomas (pérdida de apetito, fiebre, dolor muscular, dolor de hueso, dolor en alguna región específica en el cuerpo).
Cuando tenemos dolores a causa de haber tenido una relación sexual no vamos al médico ya sea por timidez o vergüenza lo cual conlleva a la auto medicación, consultas a las farmacéuticas pidiendo algún antibiótico para calmar el dolor, o casos donde se ingiere hiervas medicinales (coca, perejil, anís); lo cual no se sabe si es los adecuado para tratar la enfermedad.
Como casi todos carecemos del conocimiento de las enfermedades y las posibles complicaciones que pueden llegar a tener si no es tratado adecuadamente y en el tiempo oportuno lo dejamos pasar.
No contamos con algún sistema que nos proporcione la información de manera eficiente y confiable acerca de la enfermedad que hemos adquirido, y si existe alguna página esta en lenguaje medico (solo los médicos lo llegan a entender) [Articulo, 2008].
1.4. FORMULACIÓN DEL PROBLEMA Se plantea lo siguiente de investigación:
¿El sistema experto para el diagnóstico de la gonorrea que aplicando lógica difusa será2 capaz de dar un diagnostico que ayude al paciente a saber si tiene o no la enfermedad?
1.5. PLANTEAMIENTO DE OBJETIVOS 1.5.1. OBJETIVO GENERAL
Construir un sistema experto para dar el diagnóstico de la enfermedad venérea, acerca de la infección Gonorrea utilizando lógica difusa.
1.5.2. OBJETIVOS ESPECÍFICOS
Diseñar la base de conocimientos y reflejar la experiencia del médico especialista en el diagnóstico de la enfermedad venérea.
Diseñar un modelo de aprendizaje para que el sistema experto razone en base al conocimiento adquirido utilizando lógica difusa.
Desarrollar un prototipo del sistema experto.
Realizar pruebas para ver la eficacia del sistema experto.
Comparar resultados entre el sistema experto y medico experto.
Incrementar el número de consultas al especialista.
1.6. JUSTIFICACIÓN 1.6.1. TÉCNICA
Las tecnologías de información y la comunicación (TIC) son incuestionables y están ahí, forman parte de la cultura tecnológica que nos rodean con las que tenemos que convivir.
Amplían nuestra capacidad física y mental. Y las posibilidades de desarrollo social. Sus principales aportaciones a las actividades humanas se conectan en una serie de funciones que
nos facilitan la realización de nuestros trabajos porque, sean estos los que sean siempre requieren una cierta información para realizarlo, un determinado proceso de datos y a menudo también la comunicación.
Considerando las actividades o tareas que un agente humano (medico) puede realizar mediante su conocimiento o buscando información previa, da una respectiva respuesta sobre los síntomas presentados. Todo este proceso se puede automatizar, utilizando agentes inteligentes se puede dar las respuestas necesarias a las distintas consultas.
1.6.2. SOCIAL
El presente trabajo ayudara a las personas que parezcan de la enfermedad, y no sepan que lo obtuvieron o adquirieron.
1.6.3. PRACTICA
El sistema experto ayudara a despejar todas las interrogantes que puedan existir de una persona ya que contara con una gama amplia de conocimiento y que al mismo tiempo aprenderá de cada visita que se haga para dar un mejor respuesta.
1.6.4. ECONÓMICA
El presente trabajo tendrá un beneficio económico a todas las personas que adquieran la enfermedad, porque sabrán a tiempo de la enfermedad adquirida y no tendrán que gastar mucho en el tratamiento que deban seguir.
1.7. ALCANCES
El presente trabajo solo se limita, a construcción del modelo del sistema experto utilizando lógica difusa, para el diagnóstico de la enfermedad venérea adquirida.
1.8. HIPÓTESIS
La hipótesis de investigación que se platea es la siguiente:
El sistema experto aplicando lógica difusa nos da un diagnóstico sobre la infección de la gonorrea y dará ayuda al paciente a determinar si tiene o no la enfermedad, con mucha privacidad.
1.8.1. IDENTIFICACIÓN DE VARIABLES
En base al problema plateado anterior mente se puede identificar la una variable independiente Se, una variable dependiente De y una variable interviniente Ld con la siguiente relacion:
Se De Ld
Donde:
Se: Sistema Experto para el diagnostica de la enfermedad venérea de la gonorrea.
De: Diagnostico.
Ld: Lógica difusa.
1.9. METODOLOGÍA
1.9.1. MÉTODO DE INVESTIGACIÓN
Para el desarrollo de la tesis se utiliza el método científico, que sirve de guía para la organización del proceso de investigación, tiene los siguientes pasos
Observación, Identificación del problema, Hipótesis, Experimentación, Resultados.
Para el diseño del sistema experto se utiliza la metodología de Buchanan que tiene como pilar básico la adquisición de conocimiento de distintas fuentes como ser libros, expertos, y otros.
[MARTINES 1994]
Esta metodología procede atreves de una serie de etapas para producir un sistema experto, las cuales son 6 etapas fundamentales como ser: identificación, conceptualización, formalización, implementación, testeo y revisión del prototipo.
1.9.2. UNIVERSO Y MUESTRA
a. Universo: Son las personas que tuvieron relaciones sexuales sin el uso de protección (condón) en el país de Bolivia.
b. Muestra: Tomaremos a 10 personas entre hombres y mujeres.
2.1. SISTEMAS EXPERTOS
2.1.1. INTRODUCCIÓN A LOS SISTEMAS EXPERTOS
Los sistemas expertos son máquinas que piensan y razonan como un experto lo haría en una cierta especialidad o campo. Por ejemplo, un sistema experto en diagnostico medico requeriría como datos los síntomas del paciente, los resultados de análisis clínicos y otros hechos relevantes, y, utilizando estos, buscaría en una base de datos la información necesaria para poder identificar la correspondiente enfermedad. Un Sistema Experto de verdad, no sólo realiza las funciones tradicionales de manejar grandes cantidades de datos, sino que también manipula esos datos de forma tal que el resultado sea inteligible y tenga significado para responder a preguntas incluso no completamente especificadas. [Stevens (1984)]
2.1.2. DEFINICIÓN
Un sistema experto puede definirse como un sistema informático (hardware y software) que simula a los expertos humanos en un área de especialización dada. [Castillo y Álvarez (1991) y Durkin (1994)).]
Como tal, un sistema experto debería ser capaz de procesar y memorizar información, aprender y razonar en situaciones deterministas e inciertas, comunicar con los hombres y/u otros sistemas expertos, tomar decisiones apropiadas, y explicar por qué se han tomado tales decisiones. Se puede pensar también en un sistema experto como un consultor que puede suministrar ayuda a (o en algunos casos sustituir completamente) los expertos humanos con un grado razonable de fiabilidad.
Durante la última década se han desarrollado muy rápidamente numerosas
Aplicaciones de sistemas expertos a muchos campos [Quinlan (1987, 1989)]. Se examina unos 2,500 sistemas expertos y los clasifica por criterios, tales como áreas de aplicación, tareas realizadas y otros. Tal como puede verse en la Figura 2.1, la economía, la industria y la medicina continúan siendo los campos dominantes entre aquellos en los que se utilizan los sistemas expertos. La sección siguiente muestra algunos ejemplos que motivan la aplicación de los sistemas expertos en algunos de estos campos.
Figura 2.1. Campos de aplicación de los sistemas expertos. Adaptado de Fuente [Durkin (1994) y Castillo, Gutiérrez, y Hadi (1996)].
2.1.3. DIFERENCIAN ENTRE UN SISTEMA EXPERTO Y UN TRADICIONAL.
Evidentemente un sistema experto es diferente a un sistema tradicional, en la tabla siguiente veremos las diferencias que existe entre estés dos sistemas [ver tabla 2.1].
SISTEMA EXPERTO SISTEMA TRADICIONAL
Toman Decisiones de acuerdo a los resultados calculados.
Calculan resultados Basados en Heurísticas Basados en Algoritmos
Dan Explicaciones de los Resultados Dan Resultados sin Explicaciones
Usan Reglas de Inferencia Usan Secuenciación, Ciclos y Condicionales
Accedan Bases de Conocimientos (Deductivas)
Acceden a Bases de Datos
Centrados en el Experto y el Usuario Centrados en el Analista y el Programador Manejan Conocimiento Impreciso,
Contradictorio o Incompleto
Conocimientos Precisos, Completos y Exactos
Usan Datos y Lenguajes Simbólicos Usan Datos Numéricos y Lenguajes Procedurales
Tabla 2.1 diferencia entre un sistema experto y uno tradicional Fuente [Elaboración propia]
2.1.4. TIPOS DE SISTEMAS EXPERTOS
Los problemas con los que pueden tratar los sistemas expertos pueden clasificarse en dos tipos: problemas esencialmente deterministas y problemas esencialmente estocásticos. Por
ejemplo transacciones bancarias y el control de tráfico pueden contener algunos elementos de incertidumbre, son esencialmente problemas deterministas.
Por otra parte, en el campo médico las relaciones entre síntomas y enfermedades se conocen sólo con un cierto grado de certeza (la presencia de un conjunto de síntomas no siempre implica la presencia de una enfermedad). Estos tipos de problemas pueden también incluir algunos elementos deterministas, pero se trata fundamentalmente de problemas estocásticos.
Consecuentemente, los sistemas expertos pueden clasificarse en dos tipos principales según la naturaleza de problemas para los que están diseñados:
Deterministas y estocásticos.
2.1.4.1. SISTEMAS EXPERTOS DETERMINISTA
Los problemas de tipo determinista pueden ser formulados usando un conjunto de reglas que relacionen varios objetos bien definidos. Los sistemas expertos que tratan problemas deterministas son conocidos como sistemas basados en reglas, porque sacan sus conclusiones basándose en un conjunto de reglas utilizando un mecanismo de razonamiento lógico (se dedica a los sistemas expertos basados en reglas.)
En situaciones inciertas, es necesario introducir algunos medios para tratar la incertidumbre.
Por ejemplo, algunos sistemas expertos usan la misma estructura de los sistemas basados en reglas, pero introducen una medida asociada a la incertidumbre de las reglas y a la de sus premisas. En este caso se pueden utilizar algunas fórmulas de propagación para calcular la incertidumbre asociada a las conclusiones. Durante las últimas décadas han sido propuestas algunas medidas de incertidumbre. Algunos ejemplos de estas medidas son los factores de certeza, usados en las conchas para generar sistemas expertos tales como el sistema experto MYCIN [Buchanan y Shortliffe (1984)]; la lógica difusa [Zadeh (1983) y Buckley, Siler, y Tucker (1986)]; y la teoría de la evidencia de Dempster y Shafer [Shafer (1976)].
2.1.4.2. SISTEMAS EXPERTOS ESTOCÁSTICOS
Otra medida intuitiva de incertidumbre es la probabilidad, en la que la distribución conjunta de un conjunto de variables se usa para describir las relaciones de dependencia entre ellas, y se sacan conclusiones usando fórmulas muy conocidas de la teoría de la probabilidad. Este es el caso del sistema experto PROSPECTOR [Duda, Gaschnig, y Hart (1980)], que utiliza el teorema de Bayes para la exploración de mineral.
Los sistemas expertos que utilizan la probabilidad como medida de incertidumbre se conocen como sistemas expertos probabilísticos y la estrategia de razonamiento que usan se conoce como razonamiento probabilístico, o inferencia probabilística.
En los comienzos de los sistemas expertos de tipo probabilístico surgieron varios obstáculos, debido a las dificultades encontradas para definir la distribución de probabilidad conjunta de las variables. Ello ha ralentizado su desarrollo. Con la introducción de los modelos de redes probabilísticas, estos obstáculos se han superado y los sistemas expertos probabilísticos han vuelto de forma espectacular durante las dos últimas décadas. Estos modelos, que incluyen las redes de Markov y las Bayesianas, se basan en una representación gráfica de las relaciones entre las variables. Esta representación conduce no sólo a formas más eficientes de definir la distribución conjunta de probabilidad sino también a una propagación de incertidumbre muy eficiente, que permite sacar conclusiones. Ejemplos de tales conchas para el desarrollo de sistemas expertos son el sistema HUGIN [Andersen y otros (1989)],
2.1.5. COMPONENTES DE UN SISTEMA EXPERTO
Las definiciones de sistemas expertos dadas se entienden mejor cuando se examinan las principales componentes de los sistemas expertos.
Estas componentes se pueden detallar más esquemáticamente en la Figura 2.2 y se explican en detalle en la Figura 2.3.
Figura 2.2 componentes de un sistema experto Fuente [elaboración propia]
BASE DE HECHOS
MOTOR DE INFERENCIA
BASE DE CONOCIMIENT
O
EXPERTO USUARIO
FIGURA 2.3. Componentes típicos de un sistema experto. Las flechas representan el flujo de la información.
Fuente [Andersen y otros (1989)]
2.1.5.1. LA COMPONENTE HUMANA
Un sistema experto es generalmente el resultado de la colaboración de uno o varios expertos humanos especialistas en el tema de estudio y los ingenieros del conocimiento, con los usuarios en mente. Los expertos humanos suministran el conocimiento básico en el tema de interés, y los ingenieros del conocimiento trasladan este conocimiento a un lenguaje, que el sistema experto pueda entender. La colaboración de los expertos humanos, los ingenieros del conocimiento y los usuarios es, quizás, el elemento más importante en el desarrollo de un sistema experto. Esta etapa requiere una enorme dedicación y un gran esfuerzo debido a los diferentes lenguajes que hablan las distintas partes y a las diferentes experiencias que tienen.
2.1.5.2. LA BASE DE CONOCIMIENTO
Los especialistas son responsables de suministrar a los ingenieros del conocimiento una base de conocimiento ordenada y estructurada, y un conjunto de relaciones bien definidas y explicadas. Esta forma estructurada de pensar requiere que los expertos humanos repiensen, reorganicen, y reestructuren la base de conocimiento y, como resultado, el especialista se convierte en un mejor conocedor de su propio campo de especialidad. Hay que diferenciar entre datos y conocimiento. El conocimiento se refiere a afirmaciones de validez general tales como reglas, distribuciones de probabilidad, etc. Los datos se refieren a la información relacionada con una aplicación particular. Por ejemplo, en diagnóstico médico, los síntomas, las enfermedades y las relaciones entre ellos, forman parte del conocimiento, mientras los síntomas particulares de un paciente dado forman parte de los datos. Mientras el conocimiento es permanente, los datos son efímeros, es decir, no forman parte de la componente permanente de un sistema y son destruidos después de usarlos. El conocimiento se almacena en la base de conocimiento y los datos se almacenan en la memoria de trabajo. Todos los procedimientos de los diferentes sistemas y subsistemas que son de carácter transitorio se almacenan también en la memoria de trabajo.
2.1.5.3. SUBSISTEMA DE ADQUISICIÓN DE CONOCIMIENTO
El subsistema de adquisición de conocimiento controla el flujo del nuevo conocimiento que fluye del experto humano a la base de datos. El sistema determina qué nuevo conocimiento se necesita, o si el conocimiento recibido es en realidad nuevo, es decir, si debe incluirse en la base de datos y, en caso necesario, incorpora estos conocimientos a la misma.
2.1.5.4. CONTROL DE LA COHERENCIA
El subsistema de control de la coherencia ha aparecido en los sistemas expertos muy recientemente. Sin embargo, es una componente esencial de un sistema experto. Este subsistema controla la consistencia de la base de datos y evita que unidades de conocimiento inconsistentes entren en la misma. En situaciones complejas incluso un experto humano puede formular afirmaciones inconsistentes. Por ello, sin un subsistema de control de la coherencia, unidades de conocimiento contradictorio pueden formar parte de la base de conocimiento, dando lugar a un comportamiento insatisfactorio del sistema. Es también bastante común, especialmente en sistemas con mecanismos de propagación de incertidumbre, que se llegue a
conclusiones absurdas o en conflicto como, por ejemplo, situaciones en las que el sistema genera probabilidades mayores que la unidad o negativas. Por ello, el subsistema de control de la coherencia comprueba e informa a los expertos de las inconsistencias. Por otra parte, cuando se solicita información de los expertos humanos, este subsistema informa sobre las restricciones que ´esta debe cumplir para ser coherente con la existente en la base de conocimiento. De esta forma, ayuda a los expertos humanos a dar información fiable.
2.1.5.5. EL MOTOR DE INFERENCIA
El motor de inferencia es el corazón de todo sistema experto. El cometido principal de esta componente es el de sacar conclusiones aplicando el conocimiento a los datos. Por ejemplo, en diagnóstico médico, los síntomas de un paciente (datos) son analizados a la luz de los síntomas y las enfermedades y de sus relaciones (conocimiento).
Las conclusiones del motor de inferencia pueden estar basadas en conocimiento determinista o conocimiento probabilístico. Como puede esperarse, el tratamiento de situaciones de incertidumbre (probabilísticas) puede ser considerablemente más difícil que el tratamiento de situaciones ciertas (deterministas).
En muchos casos, algunos hechos (datos) no se conocen con absoluta certeza. Por ejemplo, piénsese en un paciente que no está seguro de sus síntomas. Puede darse el caso de tener que trabajar con conocimiento de tipo no determinista, es decir, de casos en los que se dispone sólo de información aleatoria o difusa. El motor de inferencia es también responsable de la propagación de este conocimiento incierto. De hecho, en los sistemas expertos basados en probabilidad, la propagación de incertidumbre es la tarea principal del motor de inferencia, que permite sacar conclusiones bajo incertidumbre. Esta tarea es tan compleja que da lugar a que ´esta sea probablemente la componente más débil de casi todos los sistemas expertos existentes. Por esta razón, la mayor parte de este libro se dedica al análisis y resolución del problema de la propagación de incertidumbre.
2.1.5.6. EL SUBSISTEMA DE ADQUISICIÓN DE CONOCIMIENTO
Si el conocimiento inicial es muy limitado y no se pueden sacar conclusiones, el motor de inferencia utiliza el subsistema de adquisición de conocimiento para obtener el conocimiento necesario y continuar con el proceso de inferencia hasta que se hayan sacado conclusiones. En algunos casos, el usuario puede suministrar la información requerida para ´este y otros
objetivos. De ello resulta la necesidad de una interface de usuario y de una comprobación de la consistencia de la información suministrada por el usuario antes de introducirla en la memoria de trabajo.
2.1.5.7. INTERFACE DE USUARIO
La interface de usuario es el enlace entre el sistema experto y el usuario.
Por ello, para que un sistema experto sea una herramienta efectiva, debe incorporar mecanismos eficientes para mostrar y obtener información de forma fácil y agradable. Un ejemplo de la información que tiene que ser mostrada tras el trabajo del motor de inferencia, es el de las conclusiones, las razones que expliquen tales conclusiones y una explicación de las acciones iniciadas por el sistema experto. Por otra parte, cuando el motor de inferencia no puede concluir debido, por ejemplo, a la ausencia de información, la interface de usuario es un vehículo para obtener la información necesaria del usuario. Consecuentemente, una implementación inadecuada de la interface de usuario que no facilite este proceso minaría notablemente la calidad de un sistema experto. Otra razón de la importancia de la interface de usuario es que los usuarios evalúan comúnmente los sistemas expertos y otros sistemas por la calidad de dicha interface más que por la del sistema experto mismo, aunque no se debería juzgar la calidad de un libro por su portada. Los lectores que estén interesados en el diseño de una interface de usuario pueden consultar los libros de Shneiderman (1987) y Brown y Cunningham (1989).
2.1.5.8. EL SUBSISTEMA DE EJECUCIÓN DE ÓRDENES
El subsistema de ejecución de órdenes es la componente que permite al sistema experto iniciar acciones. Estas acciones se basan en las conclusiones sacadas por el motor de inferencia.
Como ejemplos, un sistema experto diseñado para analizar el tráfico ferroviario puede decidir retrasar o parar ciertos trenes para optimizar el tráfico global, o un sistema para controlar una central nuclear puede abrir o cerrar ciertas válvulas, mover barras, etc., para evitar un accidente. La explicación de las razones por las que se inician estas acciones puede darse al usuario mediante el subsistema de explicación.
2.1.5.9 EL SUBSISTEMA DE EXPLICACIÓN
El usuario puede pedir una explicación de las conclusiones sacadas o de las acciones iniciadas por el sistema experto. Por ello, es necesario un subsistema que explique el proceso seguido
por el motor de inferencia o por el subsistema de ejecución. Por ejemplo, si un cajero automático decide rechazar la palabra clave (una acción), la máquina puede mostrar un mensaje (una explicación) como la siguiente:
¡Lo siento!, su palabra clave es todavía incorrecta tras tres intentos.
Retenemos su tarjeta de crédito, para garantizar su seguridad.
Por favor, póngase en contacto con su banco en horas de oficina.
En muchos dominios de aplicaciones, es necesaria la explicación de las conclusiones debido a los riesgos asociados con las acciones a ejecutar. Por ejemplo, en el campo del diagnóstico médico, los doctores son responsable últimos de los diagnósticos, independientemente de las herramientas técnicas utilizadas para sacar conclusiones. En estas situaciones, sin un subsistema de explicación, los doctores pueden no ser capaces de explicar a sus pacientes las razones de su diagnóstico.
2.1.5.10 EL SUBSISTEMA DE APRENDIZAJE
Una de las principales características de un sistema experto es su capacidad para aprender.
Diferenciaremos entre aprendizaje estructural y aprendizaje paramétrico. Por aprendizaje estructural nos referimos a algunos aspectos relacionados con la estructura del conocimiento (reglas, distribuciones de probabilidad, etc.). Por ello, el descubrimiento de nuevos síntomas relevantes para una enfermedad o la inclusión de una nueva regla en la base de conocimiento son ejemplos de aprendizaje estructural. Por aprendizaje paramétrico nos referimos a estimar los parámetros necesarios para construir la base de conocimiento. Por ello, la estimación de frecuencias o probabilidades asociadas a síntomas o enfermedades es un ejemplo de aprendizaje paramétrico.
Otra característica de los sistemas expertos es su habilidad para obtener experiencia a partir de los datos disponibles. Estos datos pueden ser obtenidos por expertos y no expertos y pueden utilizarse por el subsistema de adquisición de conocimiento y por el subsistema de aprendizaje.
De las componentes antes mencionadas puede verse que los sistemas expertos pueden realizar varias tareas. Estas tareas incluyen, pero no se limitan a, las siguientes:
• Adquisición de conocimiento y la verificación de su coherencia; por lo que el sistema experto puede ayudar a los expertos humanos a dar conocimiento coherente.
• Almacenar (memorizar) conocimiento.
• Preguntar cuando se requiere nuevo conocimiento.
• Aprender de la base de conocimiento y de los datos disponibles.
• Realizar inferencia y razonamiento en situaciones deterministas y de incertidumbre.
• Explicar conclusiones o acciones tomadas.
• Comunicar con los expertos y no expertos humanos y con otros sistemas expertos.
2.1.6. IMPORTANCIA SISTEMAS EXPERTOS
El desarrollo o la adquisición de un sistema experto es generalmente caro, pero el mantenimiento y el coste marginal de su uso repetido es relativamente bajo. Por otra parte, la ganancia en términos monetarios, tiempo, y precisión resultantes del uso de los sistemas expertos son muy altas, y la amortización es muy rápida. Sin embargo, antes de desarrollar o adquirir un sistema experto debe realizarse un análisis de factibilidad y de coste-beneficio.
Hay varias razones para utilizar sistemas expertos. Las más importantes son:
Con la ayuda de un sistema experto, personal con poca experiencia puede resolver problemas que requieren un conocimiento de experto.
Esto es también importante en casos en los que hay pocos expertos humanos. Además, el número de personas con acceso al conocimiento aumenta con el uso de sistemas expertos.
El conocimiento de varios expertos humanos puede combinarse, lo que da lugar a sistemas expertos más fiables, ya que se obtiene un sistema experto que combina la sabiduría colectiva de varios expertos humanos en lugar de la de uno solo.
Los sistemas expertos pueden responder a preguntas y resolver problemas mucho más rápidamente que un experto humano. Por ello, los sistemas son muy valiosos en casos en los que el tiempo de respuesta es crítico.
En algunos casos, la complejidad del problema impide al experto humano resolverlo. En otros casos la solución de los expertos humanos no es fiable. Debido a la capacidad de los ordenadores de procesar un elevadísimo número de operaciones complejas de forma rápida y aproximada, los sistemas expertos suministran respuestas rápidas y fiables en situaciones en las que los expertos humanos no pueden.
Los sistemas expertos pueden ser utilizados para realizar operaciones monótonas, aburridas e inconfortables para los humanos. En verdad, los sistemas expertos pueden ser la única solución viable en una situación en la que la tarea a realizar desborda al ser humano (por ejemplo, un avión o una cápsula espacial dirigida por un sistema experto).
Se pueden obtener enormes ahorros mediante el uso de sistemas expertos.
El uso de los sistemas expertos se recomienda especialmente en las situaciones siguientes:
Cuando el conocimiento es difícil de adquirir o se basa en reglas que sólo pueden ser aprendidas de la experiencia.
Cuando la mejora continua del conocimiento es esencial y/o cuando el problema está sujeto a reglas o códigos cambiantes.
Cuando los expertos humanos son caros o difíciles de encontrar.
Cuando el conocimiento de los usuarios sobre el tema es limitado.
2.2. LÓGICA DIFUSA 2.2.1. INTRODUCCIÓN
Como se indicó anteriormente, cotidianamente nos movemos en un mundo con definiciones ambiguas, si alguien dice “está por llover” nos interesa saber en que medida esto es cierto y en cuanto tiempo sucederá. La toma de decisión a partir de información que no específica también es un procedimiento cotidiano, esto es el que se intenta emular con lógica difusa a partir de: la observación del entorno, la formulación de reglas lógicas y de los mecanismos de toma de decisión.
En la presente sección se verán los conceptos básicos de lógica difusa que se aplican en control, tales son conjuntos difusos, funciones de membresía, operaciones borrosas, reglas, inferencia, defusificación y los pasos para la toma de decisión. Estos conceptos matemáticos son fáciles de comprender y se los presentará de manera simplificada.
2.2.2. CONJUNTOS DIFUSOS
Los conjuntos clásicos, tienen limitaciones, se define un universo de discurso que contiene a conjuntos cuyos bordes están bien definidos, un elemento puede o no pertenecer a cierto conjunto, algo es verdadero o falso, no se definen situaciones intermedias. Los conjuntos borrosos son una extensión de los clásicos, donde se añade una función de pertenencia,
definida esta como un número real entre 0 y 1. Así se introduce el concepto de conjunto o subconjunto borroso y se lo asocia a un determinado valor lingüístico, definido por una palabra o etiqueta lingüística, donde esta es el nombre del conjunto o subconjunto. Por cada conjunto se define una función de pertenencia o membresía denominada μA(x), indica el grado en que la variable x está incluida en el concepto representado por la etiqueta A (0≤μA(x)≤1), si esta función toma el valor 0 significa que tal valor de x no está incluido en A y si toma el valor 1 el correspondiente valor de x está absolutamente incluido en A. En la Figura 2.4 se puede apreciar un ejemplo donde el conjunto velocidad (con variable x) está subdividido en 3 subconjuntos {Baja, Meda, Alta}, con sus respectivas funciones de membresía {μBaja(x) μMedia(x) μAlta(x)}
Figura 2.4. Ejemplo de subconjuntos borrosos para el conjunto velocidad.
Fuente [4]
Definición. Sea X una colección de objetos, expresados en forma genérica por x. Entonces, un conjunto difuso A en X, se define como un conjunto de pares ordenados
A = {(x, μA(x))/x∈X}
Donde μA(x) es una función de pertenencia cuya etiqueta es A y su dominio es x.
2.2.3. FUNCIONES DE MEMBRESÍA
Las funciones de membresía representan el grado de pertenencia de un elemento a un subconjunto definido por una etiqueta.
Existe una gran variedad de formas para las funciones de membresía, las más comunes son del tipo trapezoidal, triangular, singleton, S.
Forma Triangular [Figura 2.5]
Figura 2.5 Forma Triangular Fuente [4]
Forma S [Figura 2.6]
Figura 2.6 Forma S Fuente [4]
Forma Trapezoidal [Figura 2.7]
Figura 2.7 Forma Trpezoidal Fuente [4]
Forma singleton [Figura 2.8]
Figura 2.8 Forma singleton Fuente [4]
2.2.4. OPERACIONES DIFUSAS
A los subconjuntos se les puede aplicar determinados operadores o bien se puede realizar operaciones entre ellos. Al aplicar un operador sobre un solo conjunto se obtendrá otro conjunto, lo mismo sucede cuando se realiza una operación entre conjuntos.
Las operaciones lógicas se utilizan en controladores y modelos difusos, son necesarias en la evaluación del antecedente de reglas (y otras etapas) que más adelante veremos.
Se definen a continuación 3 operaciones básicas a realizar sobre conjuntos, estas operaciones son complemento, unión e intersección. Sean las etiquetas A y B las que identifican a dos conjuntos borrosos asociados a una variable lingüística x, las operaciones se definen como:
Complemento (x) 1 (x) A A μ = − μ
Unión. Operador lógico OR de Zadeh (max) (x) max[ (x), (x)] A B A B μ = μ μ
∪
Intersección. Operador lógico AND de Zadeh (min) (x) min[ (x), (x)] A B A B μ = μ μ
∩
Hay muchas definiciones para las operaciones lógicas, algunas otras definiciones que normalmente también se utilizan son [ver Figura 2.9]:
Operador lógico AND del producto (x) (x) (x) A B A B μ = μ ×μ ∩ Operador lógico OR de Lukasiewicz (x) max[ (x) (x),1]
Figura 2.9 cuadro de operaciones and, or y not Fuente [11]
2.2.5. FUZZIFICACIÓN
El control difuso siempre involucra este proceso de Fuzzificación, esta operación se realiza en todo instante de tiempo, es la puerta de entrada al sistema de inferencia difusa. Es un procedimiento matemático en el que se convierte un elemento del universo de discurso (variable medida del proceso) en un valor en cada función de membresía a las cuales pertenece [ver Figura 2.10].
Figura 2.10. Ejemplo de Fuzzificación de una variable.
Fuente [11]
Para comprender mejor veamos la Figura 2.10 que arroja los siguientes datos:
μAlta(77)=0.45 μMedia(77)=0.20 μBaja(77)=0.00
El valor de velocidad igual a 77 pertenece a dos conjuntos con distintos grados en cada uno.
A partir de ahora y durante el resto de las operaciones en el interior del corazón fuzzy estos datos (0.45, 0.20 y 0.00, son valores de las funciones de membresía) representarán a las variables sensados del proceso. A tales datos les llamaremos μ en sentido genérico para diferenciarlos de otras funciones de membresía. μA(x) = μ.
2.2.6. REGLAS DIFUSAS
Los controladores difusos usan reglas, estas combinan uno o más conjuntos borrosos de entrada llamados antecedentes o premisas y le asocian un conjunto borroso de salida llamado consecuente o consecuencia. Involucran a conjuntos difusos, lógica difusa e inferencia difusa.
A estas reglas se les llama reglas borrosas o difusas o fuzzy rules. Son afirmaciones del tipo SI-ENTONCES. Los conjuntos borrosos del antecedente se asocian mediante operaciones lógicas borrosas AND, OR, y otros.
Las reglas borrosas son proposiciones que permiten expresar el conocimiento que se dispone sobre la relación entre antecedentes y consecuentes. Para expresar este conocimiento de manera completa normalmente se precisan varias reglas, que se agrupan formando lo que se conoce como basa de reglas, es decir, la edición de esta base determina cual será el comportamiento del controlador difuso y es aquí donde se emula el conocimiento o experiencia del operario y la correspondiente estrategia de control.
La base de reglas suele representarse por tablas. Esta es clara en el caso de 2 variables de entrada y una de salida. En la medida que la cantidad de variables lingüísticas crece, también lo hará la tabla, y más difícil se hará su edición.
Junto a cada regla puede estar asociado un valor entre cero y uno que pesa a tal regla, esto puede ser importante cuando una regla tiene menor fuerza que otras de la base de reglas.
Existe una gran variedad de tipos de reglas, dos grandes grupos son los que en general se emplean, las reglas difusas de Mamdani y las reglas difusas de Takagi-Sugeno (TS, para abreviar).
La estructura de las reglas es la misma tanto para controladores como para modelos, simplemente cambiarán las variables implementadas.
2.2.6.1. REGLAS DIFUSAS DE MAMDANI
IF x1 is A AND x2 is B AND x3 is C THEN u1 is D, u2 is E
Donde x1, x2 y x3 son las variables de entrada (por ejemplo, error, derivada del error y derivada segunda del error), A, B y C son funciones de membresía de entrada (p.ej., alto, medio, bajo), u1 y u2 son las acciones de control (p.ej., apretura de válvulas) en sentido genérico son todavía variables lingüísticas (todavía no toman valores numéricos), D y E son las funciones de membresía de la salida, en general se emplean singleton por su facilidad computacional, y AND es un operador lógico difuso, podría ser otro. La primera parte de la sentencia “IF x1 is A AND x2 is B AND x3 is C” es el antecedente y la restante es el consecuente.
Un ejemplo es
IF error is Positivo Grande AND derivada del error is Positiva Baja THEN u is Positiva Chica.
Ventajas
Es intuitivo.
Tiene una amplia aceptación.
Está bien adaptado a la incorporación de conocimiento y experiencia.
2.2.6.2. REGLAS DIFUSAS DE TAKAGI-SUGENO
IF x1 is A AND x2 is B AND x3 is C THEN u1=f(x1,x2,x3), u2=g(x1,x2,x3)
En principio es posible emplear f() y g() como funciones no lineales, pero la elección de tal función puede ser muy compleja, por lo tanto en general se emplean funciones lineales.
Ventajas
Es computacionalmente eficiente.
Trabaja bien con técnicas lineales (por ejemplo como lo disponible para controladores PID).
Trabaja bien con técnicas de optimización y control adaptable.
Tiene garantizada una superficie de control continua.
Está bien adaptado al análisis matemático.
2.2.7. INFERENCIA DIFUSA
Las reglas difusas representan el conocimiento y la estrategia de control, pero cuando se asigna información específica a las variables de entrada en el antecedente, la inferencia difusa es necesaria para calcular el resultado de las variables de salida del consecuente, este resultado es en términos difusos, es decir que se obtiene un conjunto difuso de salida de cada regla, que posteriormente junto con las demás salidas de reglas se obtendrá la salida del sistema.
Existe una gran cantidad de métodos de inferencia difusa, pero hay cuatro que generan mejores resultados en el campo del control, estos son inferencia de Mamdani por mínimos (Mamdani minimum inference), RM, la inferencia del producto de Larsen (Larsen product inference), RL, la inferencia del producto drástico (Drastic product inference) RDP y la inferencia del producto limitado (Bounded product inference), RBP. [11] [4]
Tabla 2.2. Definición de los cuatro métodos de inferencia más populares.
Fuente [11 y 4]
Donde μw es la función de pertenencia del conjunto de salida w.
En el caso particular en que el conjunto difuso de salida del consecuente es singleton, todos los métodos de inferencia tienen el mismo resultado, y este se obtiene como el singleton pesado por el valor μ obtenido del antecedente.
2.2.8. AGREGADO
Cuando se evalúan las reglas se obtienen tantos conjuntos difusos como reglas existan, para defusificar es necesario agrupar estos conjuntos, a esta etapa se le llama agregado y existen varios criterios para realizar este paso. Un criterio muy empleado es el de agrupar los conjuntos inferidos mediante la operación max.
2.2.9. DEFUSIFICACIÓN
La defusificación (defuzzyfication) es un proceso matemático usado para convertir un conjunto difuso en un número real. El sistema de inferencia difusa obtiene una conclusión a partir de la información de la entrada, pero es en términos difusos. Esta conclusión o salida difusa es obtenida por la etapa de inferencia borrosa, esta genera un conjunto borroso pero el dato de salida del sistema debe ser un número real y debe ser representativo de todo el conjunto obtenido en la etapa de agregado, es por eso que existen diferentes métodos de defusificación y arrojan resultados distintos, el “más común y ampliamente usado” es el centroide. Con el método de defusificación del centroide se transforma la salida difusa en un número real el cual es la coordenada equis (x) del centro de gravedad de tal conjunto difuso de salida.
Ecuación 1: Defusificación por centro de gravedad.
Donde μY es la función de pertenencia del conjunto de salida Y, cuya variable de salida es y. S es el dominio o rango de integración.
Este método en realidad trae una carga computacional importante, por lo que se emplean en general otros esquemas con menor carga. Uno de los defusificadores más usados es el centro de área (COA, center of area) también llamado de altura, el centro de gravedad es aproximado por el centro de gravedad de un arreglo de “masas puntuales”, las cuales son el centro de gravedad de cada conjunto de salida correspondiente a cada regla, con “masa” igual al grado de pertenencia en ese punto de su centro de gravedad. Si se le llama δ
l al centro de gravedad del conjunto difuso de salida Bl de la l-ésima regla, el centro de gravedad queda determinado por
Ecuación 2. Defusificación por centro de área.
Donde R es el número de reglas.
El concepto del centro de gravedad es en muchos casos el punto de partida para la obtención de distintos métodos de defusificación.[5]
Tanto la Fuzzificación como la defusificación son el nexo del sistema difuso con el mundo real.
Criterio de máximo (MC). La salida es aquella para la cuál la función de membresía alcanza su máximo valor.
El método de centro de área (COA) o de centro de gravedad (COG). La salida responde a la Ecuación 1 o a la Ecuación 2.
El método de la media de máximo (MOM, middle of maximum). La salida es el valor medio de los valores cuyas funciones de membresía alcanzan el valor máximo.
El método del máximo más chico (SOM, smallest of maximum). La salida es el mínimo valor de todos aquellos que generan el valor más alto de la función de membresía [6].
El método del máximo más grande (LOM, largest of maximum). La salida es el máximo valor de todos aquellos que generan el valor más alto de la función de membresía.
Bisector de área. La salida es el valor que separa el área bajo la curva en dos sub-áreas iguales [7].
Se debe recordar que la operación de defusificación se realiza con el conjunto obtenido de la etapa de agregado.
Toma de decisión
En la sección anterior se presentaron los conceptos básicos de un sistema de inferencia o de toma de decisión. Se verá ahora de manera resumida y en forma gráfica los pasos que son llevados a cabo para la toma de decisión en este sistema de inferencia.
En forma genérica el esquema de toma de decisión es el siguiente [ver Figura 2.11].
Figura 2.11. Sistema de inferencia difusa.
Fuente [11]
2.3. METODOLOGÍA DE DESARROLLO DE BUCHANAN.
Uno de los primeros métodos de desarrollo estructurado de sistemas inteligentes fue el propuesto por Buchanan y otros autores en 1983. Según estos autores la adquisición del conocimiento de un sistema inteligente, y por extensión la construcción de todo el sistema, podía dividirse en las cinco fases [ver Figura 2.12].
Requisitos
Conceptualización
Formalización
Implementación
Prueba Identificación
Conceptos
Estructuras
Reglas
Refinamientos
Rediseños
Reformulaciones
Figura 2.12 Identificación, conceptualización, formalización, implementación y prueba.
Fuente [1]
Sin embargo el proceso real no está tan bien definido como puede sugerir la figura 2.12, y más bien representa una aproximación a las distintas y complejas fases que se llevan a cabo a la hora de desarrollar un sistema inteligente, y que pueden variar de una situación a otra.
La descripción de cada una de estas fases es la siguiente:
2.3.1 IDENTIFICACIÓN.
Fase mediante la que se reconocen aspectos importantes del problema, como son los participantes (expertos del dominio, ingenieros del conocimiento y futuros usuarios), las características del problema (tipo, subtareas de que se compone, terminología a utilizar, aspectos fundamentales, etc.), los recursos disponibles (fuentes de conocimiento, facilidades computacionales, tiempo de desarrollo, financiación, etc.), y las metas a alcanzar (formalizar conocimiento experto, distribuir experiencia, ayudar a la formación de nuevos expertos, etc.).
2.3.2 CONCEPTUALIZACIÓN.
Fase mediante la que se trata de organizar el conocimiento según un esquema conceptual. El experto y el ingeniero del conocimiento tratan de encontrar conceptos que representen el conocimiento del experto, al mismo tiempo que intentan determinar cómo es el flujo de información durante el proceso de resolución de problemas.
2.3.3 FORMALIZACIÓN.
Esta fase consiste en traducir los conceptos clave, los subproblemas, y las características del flujo de información, identificados durante la fase anterior, en representaciones formales basadas en herramientas o esquemas de la ingeniería del conocimiento.
Elicitación. Aunque no aparece en el trabajo original de Buchanan, es común incluir una fase de elicitación después de la fase de formalización. En esta fase se lleva a cabo la extracción del conocimiento mediante un soporte físico que es consistente con la información obtenida durante los procesos de identificación y conceptualización.
2.3.4 IMPLEMENTACIÓN.
En esta fase, el ingeniero de conocimiento formula reglas, y estructuras de control, que representan los conceptos y el conocimiento formalizado. El resultado es un programa prototipo que nos permite comprobar si hemos conceptualizado y formalizado bien el conocimiento que el experto tiene sobre el problema.
2.3.5 PRUEBA.
Esta fase consiste en la evaluación del rendimiento del prototipo construido para encontrar errores o anomalías en la base de conocimientos o en los mecanismos de inferencia.
Buchanan sitúa los lazos de realimentación después de la fase de prueba, pero también indica que el proceso no tiene por qué seguir estrictamente la secuencia representada en la figura anterior. Autores posteriores, como Mayrhauser, señalan que las retroalimentaciones pueden aparecer entre cualquier par de fases de la metodología. Así, por ejemplo, si el ingeniero del conocimiento no encuentra reglas adecuadas durante la implementación puede requerir una vuelta atrás y una reformulación del problema. La nueva representación del ciclo de vida de los sistemas inteligentes [Figura 2.13].
Conceptualización
Formalización Implementación
Prueba
Identificación
Figura 2.13 Figura de como funcionaria la reformulación Fuente [elaboración propia]
Las estructuras de este tipo son muy complejas de controlar y de manejar, ya que el número de iteraciones entre las fases es desconocido, y los objetivos pueden cambiar a medida que avanza el desarrollo. También es difícil llevar a cabo un control de los progresos realizados
2.4. ENFERMEDADES VENÉREAS
2.4.1. INTRODUCCIÓN A LAS ENFERMEDADES VENÉREAS
Las enfermedades de transmisión sexual son ocasionadas por infecciones que se transmiten de una persona a otra durante el contacto sexual.
Generalmente, estas infecciones no presentan ningún síntoma. Desde el punto de vista médico, se denomina a las infecciones enfermedades cuando presentan síntomas. Por eso, también se las conoce como "infecciones de transmisión sexual". Sin embargo, es muy frecuente que se utilicen los términos "enfermedades de transmisión sexual" o "ETS", aunque no haya síntomas de la enfermedad [ª].
Existen muchos tipos de infecciones y enfermedades de transmisión sexual. Además, son muy comunes; más de la mitad de todos nosotros tendrá una infección de transmisión sexual en algún momento de nuestra vida. Usa la lista que figura arriba para encontrar información sobre cada tipo de enfermedad de transmisión sexual [ª].
2.4.2. DEFINICIÓN
Llamamos enfermedad venérea a toda enfermedad que tiene relación con contactos sexuales:
generalmente se trata de infecciones donde el agente patógeno responsable de la enfermedad, a menudo un virus, un hongo o una bacteria, se transmite de un individuo al otro [ª].
También se pueden denominar infecciones de infecciones de transmisión sexual o IST, que sustituye al antiguo nombre de las enfermedades de transmisión sexual o ETS. Este término abarca un gran número de diferentes enfermedades, más o menos graves dependiendo de los casos [ª].
2.4.3. CAUSAS DE LAS ENFERMEDADES VENÉREAS O ETS
Una enfermedad infecciosa en aquella que puede ser trasmitida de una persona a otra. Las enfermedades de trasmisión sexual o venéreas, forma una categoría de una persona a otra las enfermedades de transmitidas mediante actividad sexual, tales como penetración vaginal, sexo oral o anal. Las enfermedades venéreas son causadas por uno de los tres siguientes tipos de organismos [©1995-2010]:
Parásitos: Los parásitos son animales muy pequeños que se alimentan de la persona a la cual infectan. La persona infectada se llama portador. Pulgas púbicas, también llamadas ladillas, son un ejemplo del parasito trasmitido sexualmente [©1995-2010].
Bacterianas: las bacterianas son organismos hechos de una célula. Permanecen juntos para alimentarse del cuerpo se du portador. Gonorrea, sífilis son ejemplos de bacterias trasmitidas sexualmente [©1995-2010].
Virus: los virus son moléculas complejas que pueden multiplicarse cuando invaden las células de su portador. El VIH, el herpes y la epatitis son ejemplos de virus trasmitido sexualmente [©1995-2010].
2.5. GONORREA O BLENORRAGIA 2.5.1. DEFINICIÓN
La gonorrea es una enfermedad de transmisión sexual muy frecuente en nuestra sociedad. Es una enfermedad que ataca sobre todo los órganos genitales y es causada por una bacteria que se transmite primordialmente a través de las relaciones sexuales. Es posible infectar a la pareja hasta tanto no se instaure el tratamiento. Esto representa un grave problema de salud pública, en el sentido de que muchas personas tienen una gonorrea y no lo saben, por lo cual son una fuente de contagio por años [Health. (2007)].
2.5.2. DATOS GENERALES
La gonorrea es una enfermedad que ataca sobre todo los órganos genitales y es causada por una bacteria que se transmite primordialmente a través de las relaciones sexuales.
¿Cómo se llama la bacteria que produce la gonorrea?
El germen responsable de esta infección es un microorganismo llamado Neisseria gonorrhoeae, conocido como gonococo, que pertenece al grupo de las bacterias denominadas cocos gram negativos [ver Figura 2.5, Health. (2007)].
Figura 2.14 Virus de la gonorrea visto microscópicamente Fuente [Health. (2007)].
2.5.3. FRECUENCIA
La gonorrea es una enfermedad muy frecuente. Sin embargo, como suele tratarse de manera elemental, muchos casos no se reportan. Algunos autores afirman que uno de cada quinientos estadounidenses la ha padecido.
2.5.4. CONTAGIO
Cualquier persona puede adquirir la enfermedad si mantiene contacto sexual con un individuo infectado. Si la madre está infectada, el riesgo también está presente para el hijo al momento del parto.
Existen dos formas de adquirir la gonorrea vía sexual y vía maternal.
2.5.4.1. VÍA SEXUAL
Se requiere una relación oral, vaginal o anal con penetración o sin ella, para que el germen pase de una persona infectada a una persona sana.
2.5.4.2. VÍA MATERNA
La gonorrea también se puede transmitir al niño en el momento del parto vaginal si la madre está infectada [ver Figura 2.15].
La gonorrea no se transmite en piscinas, gimnasios, servicios sanitarios o duchas, ni por alimentos o bebidas. Tampoco se transmite en actividades deportivas.
No hay riesgo de contagio por visitar hospitales, asistir a reuniones o actividades con multitudes, compartir oficinas, aulas o medios de transporte como taxis, aviones y trenes, ni por tocar objetos como dinero o puertas. Tampoco se transmite por estornudos, tos o saliva.
Esta enfermedad no se transmite por la utilización de prendas ni ropa interior; tampoco por el contacto con los animales, ni por tocar objetos contaminados con secreciones, ya sean asientos, vasos, cucharas, platos o máquinas, como las computadoras.
Su transmisión requiere de un acercamiento sexual. De manera que no se transmite por caricias, apretón de manos, abrazos, ni en actividades artísticas como la danza o el baile.
Los donantes de sangre no corren ningún riesgo de contraer gonorrea, por cuanto el material que se utiliza es estéril y desechable [vía materna salió de: Health. (2007)].
Figura 2.15 contagio de la gonorrea vía maternal Fuente [Health. (2007)].
2.5.5. MANIFESTACIONES
Lamentablemente, en más de la mitad de las mujeres no hay síntomas, o estos son tan inespecíficos y transitorios que la mujer no se percata de la enfermedad [ver Figura 2.16].
En el caso de los hombres, afortunadamente el 90% suele tener síntomas evidentes, lo cual lleva al varón a acudir a la consulta.
Las molestias se presentan entre los tres y cinco días después de la relación sexual infectante.
En algunas personas, los síntomas pueden tardar un mes en aparecer. En los casos en que no hay síntomas, no se puede calcular cuándo se contrajo la infección.
