Técnicas híbridas de aprendizaje automático para la extracción de conocimiento en redes de comunicación y marcos...

Área de la Ciencia:

• Ciencias de la computación
• Inteligencia artificial
• Teoría de la información

Sus antecedentes:

• Las redes de comunicación modernas generan datos vastos y complejos.
• Los métodos existentes luchan con la alta dimensión y el comportamiento dinámico de la red.
• Necesidad de técnicas avanzadas para mejorar la inteligencia y la eficiencia de la red.

Objetivo del estudio:

• Introducir y evaluar conjuntos difusos complejos de ortopedia q-rung (Cq-ROFS) para la extracción de conocimientos.
• Desarrollar técnicas híbridas de aprendizaje automático para el análisis de redes de comunicación.
• Evaluar la eficacia y la viabilidad de nuevos enfoques para la toma de decisiones.

Principales métodos:

• Modelos difusos de intuicionistas y ortopedistas extendidos utilizando Cq-ROFS.
• Promedio ponderado modificado y operadores geométricos con las t-normas de Sugeno-Weber.
• Aplicación del método WASPAS para la toma de decisiones basada en múltiples criterios (MCDM) y análisis de sensibilidad.

Principales resultados:

• Cq-ROFS demostrado captura efectivamente información de red compleja a través de términos de amplitud y fase.
• Enfoques híbridos validados mediante un estudio de caso experimental sobre técnicas avanzadas de comunicación.
• Demostró flexibilidad y superioridad en comparación con las metodologías existentes a través del análisis comparativo.

Conclusiones:

• El aprendizaje automático híbrido con Cq-ROFS ofrece un marco sólido para las redes de comunicación inteligentes.
• El enfoque MCDM desarrollado proporciona un sistema de análisis de decisiones confiable.
• Los métodos propuestos mejoran la resiliencia y la eficiencia de la red para las aplicaciones basadas en datos.