Modelado de sistemas complejos mediante métodos de agrupamiento e hibridación de técnicas inteligentes

Resumen

El presente trabajo de investigación aborda el estudio y desarrollo de un sistema de modelado híbrido que combina métodos de agrupamiento estándar, o clustering, con algoritmos de regresión. Con esta propuesta, se pretende dividir el problema de modelado de un sistema en un conjunto de modelos locales. De esta forma se pueden definir zonas con un comportamiento similar de un modo más preciso. Durante la etapa de regresión, se aplican varias técnicas sobre cada uno de los grupos, con el fin de lograr la mejor aproximación en los modelos locales obtenidos. Por tanto, el modelo híbrido estará formado por el conjunto de todos estos modelos. Esta novedosa propuesta permite obtener resultados altamente satisfactorios en todos los procesos reales en los que se ha aplicado. El sistema desarrollado ha sido validado sobre tres supuestos reales diferentes. En el primero de ellos, el modelo híbrido se emplea para obtener o predecir el valor que debiera medir un sensor para poder realizar detección de fallos. La aplicación real utiliza la señal BIS, que se emplea para determinar el grado de hipnosis de un paciente sedado. En el segundo, el modelo propuesto se utiliza para crear un sensor virtual, obteniendo el valor de una variable a partir de otras. La aplicación real, en este caso, se desarrolla sobre un sensor para monitorizar el estado de carga de una batería. En el último caso, el modelo híbrido se usa para predecir valores de variables en un tiempo futuro, en instantes posteriores al de la ejecución del modelo. Como aplicación real para este caso, se trata de predecir el valor de la señal ANI empleada en operaciones quirúrgicas, que es un indicador del dolor que sufren los pacientes durante una intervención.