Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio
ACI Avances en Ciencias e Ingenierías

SECCIÓN A: CIENCIAS EXACTAS Y FÍSICAS

Vol. 2 Núm. 2 (2010)

Generación de matrices para evaluar el desempeño de estrategias de búsqueda de testores típicos

DOI
https://doi.org/10.18272/aci.v2i2.23
Enviado
julio 2, 2015
Publicado
2010-06-01

Resumen

Los testores, y en particular los testores típicos, han sido utilizados en problemas de se­lección de variable y problemas de clasificación supervisada. Comunmente se ha usado algoritmos determinísticos para hallar testores típicos. A principios de esta decada comen­zó a desarrollarse un nuevo enfoque basado en algoritmos evolutivos. Un problema común para probar el comportamiento de ambos métodos es la necesidad de conocer a priori el nú­mero de testores típicos de una matriz dada. Para una matriz arbitraria, no se puede saber este número a menos de que se hayan encontrado todos los testores típicos. Por lo tanto, este trabajo introduce, por primera vez, una estrategia para generar matrices básicas para las cuales el número de testores típicos es conocido sin necesidad de aplicar un algoritmo para encontrarlos. Este método se ilustra con algunos ejemplos.

viewed = 765 times

Citas

  1. A. N. Dmitriev, Y. I. Zhuravlev and F. Krendeleiev 1966. "On the mathematical principles of patterns and pheno­mena classification." Diskretnyi Analiz. 7, 3-15.
  2. J. Ruiz, M. Lazo, E. Alba. 2001. "An overview of the concept oftestor." Pattern Recognition. 34, 13-21.
  3. M. Lazo, J. Ruiz. 1995. "Determining the feature rele­vance for non classically described objects and a new algorithm to compute typical fuzzy testors." Pattern Re­cognition Letters. 16, 1259-1265.
  4. A. Carrasco, J. Martínez 2004. "Feature selection for natural disaster texts classification Using testors." In­telligent Data Engineering and Automated Learning. Springer- Verlag. 8,424-429.
  5. R. Vázquez, S. Godoy. 2007. "Using testor theory to re­duce the dimension of neural network models." Special Issue in Neural Networks and Associative Memories. 28, 93-103.
  6. J. Santos, A. Carrasco, J. Martínez. 2004. "Feature selec­tion using typical testors applied to estimation of stellar parameters." Computación y Sistemas. 8, 015-023.
  7. A. Pons, R. Gil, R. Berlanga. 2007. "Using typical tes­tors for feature selection in text categorization." Progress in Pattern Recognition, Image Analysis and Applica­tions. 12th Iberoamericann Congress on Pattern Recog­nition. Springer Verlag.
  8. A. Pons, J. Ruiz, R. Berlanga. 2004. "A method for the automatic summarization of topic-based clusters of do­cuments." 8th Iberoamerican Congress on Pattern Re­cognition. Springer Verlag. 596-603.
  9. F. Li, Q. Zhu, X. Lin. 2009. "Topic discovery in research literature based on non-negative matrix factorization and testor theory." Asia-Pacific Conference on Information Processing. 2,266-269.
  10. Sánchez, G. 1997. "Efficient algorithms to calculate ty­pical testors from a basic matrix." Design and program. Master thesis. BUAP, México.
  11. L. Morales, G. Sánchez. 2007. "FS-EX plus: A new al­gorithm for the calculation of typical FS-testor set." Pro­gress in Pattern Recognition, Image Analysis and Appli­cations. 12th Iberoamericann Congress on Pattern Re­cognition. Springer Verlag.
  12. G. Sánchez, M. Lazo, O. Fuentes. 1999. "Genetic algo­rithm to calculate minimal typical testors." Proceedings of the IV Iberoamerican Symposium on Pattern Recog­nition. 207-214.
  13. E Alba, R. Santana, A. Ochoa, M. Lazo. 2000. "Finding typical testors by using an evolutionary strategy." Pro­ceedings of the V Ibero American Symposium on Pat­tern Recognition. 267-278.
  14. M. Garey, D. Johnson. 1979. "Computers and intracta­bility: A guide to the theory of NP-completeness" W. H. Freeman and Company. New York, NY.