Actualmente, es posible adquirir y almacenar grandes volúmenes de datos sobre diferentes fenómenos complejos en muchas áreas importantes. Con el fin de ser útil, esta información debe ser explicada de la manera más comprensible posible, incluyendo los conocimientos previos disponibles sobre el fenómeno que se estudia. Estos objetivos sólo pueden lograrse mediante el uso de lenguaje natural, especialmente si la información final va a ser utilizada por personas no expertas. Por lo tanto, esta información debe ser explicada de manera comprensible a través de los modelos lingüísticos. La formulación de modelos lingüísticos puede ser vista como una tarea no trivial, y muchas veces, el modelado lingüístico contribuye a una mejor comprensión de los fenómenos, proporcionando una novedosa e inédita visión de los mismos. En esta tesis, nos basamos en el paradigma de la computación con palabras y percepciones desarrollado por Zadeh con el fin de extender la Teoría Computacional de Percepciones. La idea consiste en extender la Lógica Borrosa para crear modelos de sistemas basados en la forma en que los seres humanos hacen descripciones utilizando el lenguaje natural. El objetivo es utilizar las estructuras complejas del lenguaje natural para hacer modelos imprecisos y robustos de los fenómenos complejos, cuyas principales ventajas son la incorporación de las capacidades creativas, abstractas y de adaptación del ser humano, y reducir al mínimo los aspectos no deseados tales como la imprevisibilidad, la incoherencia, la subjetividad y la inestabilidad temporal. Nuestro objetivo es hacer uso de una relación simbiótica entre el diseñador y el ordenador, de tal manera que la motivación y la creatividad de los diseñadores se vean reforzadas por la gran capacidad de almacenamiento y rendimiento del ordenador. Hemos ampliado el concepto de Máquina de Estados Finitos Borrosos para abordar el problema de modelar cada fenómeno complejo específico sobre la base de un diseño lingüístico y guiado por el ser humano. además, dado que la definición de los parámetros de la Máquina de Estados Finitos Borrosos es, en cada caso particular, una tarea compleja para los expertos, hemos propuesto una metodología que consiste en un método de aprendizaje automático para definir los parámetros del modelo. Esta metodología se basa en la hibridación de las Máquinas de Estados Finitos Borrosos y los Algoritmos Genéticos, que conducen a la Máquina Genética de Estados Finitos Borrosos. La Máquina Genética de Estados Finitos Borrosos es capaz de aprender automáticamente las reglas borrosas y las funciones de pertenencia, mientras que un experto define los posibles estados y las transiciones permitidas entre los estados. A continuación, hemos desarrollado el Modelo Lingüístico Granular de un Fenómeno, que es el modelo necesario para interpretar los datos de entrada de una forma jerárquica. El Modelo Lingüístico Granular de un Fenómeno es capaz de combinar diferentes fuentes de conocimiento, en combinación con la expresividad del paradigma de modelado de las Máquinas de Estados Finitos Borrosos. Una vez que la Máquina de Estados Finitos Borrosos es capaz de modelar cada fenómeno complejo, el Modelo Lingüístico Granular de un Fenómeno es capaz de producir descripciones lingüísticas sobre él y su evolución en el tiempo. Finalmente, se ha validado la metodología propuesta con varias aplicaciones en el mundo real. Primero, hemos sido capaces de modelar la marcha y la actividad humana con nuestro enfoque de modelado lingüístico mediante conocimiento experto y conocimiento inducido. A continuación, hemos desarrollado un sistema capaz de modelar la calidad de la marcha y producir descripciones lingüísticas sobre ella. También hemos mostrado cómo nuestra propuesta funciona correctamente en el campo de los Sistemas Inteligentes de Transporte, donde hemos sido capaces de modelar y generar descripciones lingüísticas de la evolución del tráfico en carreteras.

Tesis doctoral por el sistema de Compendio de Publicaciones