BaseC3
Enviado por Programa Chuletas y clasificado en Lengua y literatura
Escrito el en 
español con un tamaño de 8,4 KB
UML (Unified Modeling Language, Lenguaje Unificado de Modelado) es un lenguaje de modelado visual que se usa para especificar, visualizar, construir y documentar artefactos de un sistema de software. Captura decisiones y conocimiento sobre los sistemas que se deben construir, su objetivo es lograr que, además de describir con cierto grado de formalismo tales sistemas, puedan ser entendidos por los usuarios de aquello que se modela. Estereotipo en UML: Es un nuevo elemento del lenguaje definido en el propio modelo sobre la base de algún elemento preexistente de UML. Extienden la semántica pero no la estructura de las clases del metamodelo. Permite representar una variación de un elemento existente que posee otra intención, o distinción de uso. La definición de un estereotipo se hace en forma explícita en la vista estática, mediante una relación de generalización con el elemento de UML que es base para su definición. El nombre del estereotipo debe ser distinto de los elementos de UML, y se denota entre comillas francesas («nombre estereotipo»). También puede considerar una notación gráfica distintiva. Patrones: Solución ya probada y eficaz para algún problema de diseño que puede expresarse como un conjunto de principios y heurísticas [5]. Se representan con un triángulo conectado con cada una de sus clases con una línea que se etiqueta con el nombre del rol que juega la clase en cuestión. Conjuntos difusos: La teoría de conjuntos difusos parte de la teoría clásica de conjuntos, añadiendo un grado de pertenencia a cada elemento de un conjunto, definido éste como un número real entre 0 y 1. Así, se introduce el concepto de conjunto o subconjunto difuso asociado a una determinada etiqueta lingüística, definida por una palabra o adjetivo A. Para cada conjunto o subconjunto difuso se define una f unción de pertenencia o inclusión ?A (u), que indica el grado en que la variable o elemento u está incluido en el concepto representado por la etiqueta A .?A (u) = 0, indica que u no pertenece en absoluto al conjunto difuso A. • ?A (u) = 1, indica que u pertenece totalmente al conjunto difuso A.
Atributos difusos:
Tipo 1: Estos son atributos con datos precisos, clásicos o crisp (tradicionales, sin imprecisión), que pueden tener etiquetas lingüísticas definidas sobre sus dominios Tipo 2: Son atributos que pueden recoger datos imprecisos sobre referencial ordenado. Estos atributos admiten tanto datos crisp como difusos, en forma de distribuciones de posibilidad sobre un dominio subyacente ordenado. Los valores de este tipo de atributos difusos pueden ser las propias etiquetas lingüísticas (definidas previamente), distribuciones de posibilidad trapezoidales Tipo 3: Son atributos sobre datos de domino discreto no ordenado con analogía. En estos atributos se definen algunas etiquetas (rubio, pelirrojo, castaño...), que son escalares con una relación de similitud (o proximidad) definida sobre ellas, de forma que esta relación indique en qué medida se parecen entre sí cada par de etiquetas. Tipo 4: Son atributos sobre datos de domino discreto no ordenado sin analogía. Básicamente, este tipo es igual que el anterior pero, en este caso, estamos ante un dominio cuyos escalares o etiquetas no disponen de una relación de similitud por la que puedan ser comparados.
Comparadores Difusos.
Los comparadores de posibilidad son más generales (menos restrictivos) que los de necesidad.Por tanto, los comparadores de necesidad recuperan menos instancias y estas instancias cumplirán necesariamente con las condiciones impuestas en la consulta.
La clase estereotipo « FuzzyT1» tiene asociado una lista de etiquetas lingüísticas, de modode posibilitar el manejo de los atributos difusos
La clase estereotipo « FuzzyT2»puede almacenar valores imprecisos y ambos permiten el tratamiento difuso (consultas).
La clase estereotipo « FuzzyT3» tiene asociada una matriz que almacena los grados de similitud (gs) que se le atribuyen a los pares de etiquetas lingüísticas en consideración. No siempre la relación de similitud es simétrica, por lo que se diferenció el orden de las etiquetas en la relación
La clase estereotipo « FuzzyT4» es similar a la anterior pero sin necesidad de almacenar la relación de similitud.
Métodos de Patrón Atributos Difusos.
Clase FuzzyBD
Restricció n de Posibilidad (ClaseD, Atributo, Operador, Valor): Este método selecciona todos los objetos de la clase ClaseD que satisfacen (Atributo Operador Valor) donde Operador pertenece a {FEQ, FGT, FGEQ, FLT, FLEQ, MGT, MLT} y Valor pertenece al dominio de Atributo. Restricció n de Necesidad (ClaseD, Atributo, Operador, Valor): Este método selecciona todos los objetos de la clase ClaseD que satisfacen (Atributo Operador Valor) donde Operador pertenece a {NFEQ, NFGT, NFGEQ, NFLT, NFLEQ, NMGT, NMLT} y Valor pertenece al dominio de Atributo.Consulta FuzzyT1 (ClaseT1, Atributo, Label): Este método selecciona todos los objetos de la clase difusa tipo 1 ClaseT1, tal que el valor del atributo del tipo Atributo esté asociado al rótulo Label. Consulta FuzzyT2 (ClaseT2, Atributo, Label, gp): Este método selecciona todos los objetos de la clase difusa tipo 2 ClaseT2, tal que el valor del atributo del tipo Atributo esté asociado al rótulo Label con u n grado de pertenencia mayor a gp. Consulta FuzzyT3 (ClaseT3, Atributo, Label, gs): Este método selecciona todos los objetos de la clase difusa tipo 3 ClaseT3, tal que el atributo del tipo Atributo tenga un grado de similitud en relación al rótulo Label mayor a gs.
Clase Fuzzy. Asociar Etiqueta: asocia una etiqueta de entre las asociadas a la clase, a una instancia específica. Retornar Grado de Pertenencia (Label):retorna el grado de pertenencia de la instancia a la etiqueta lingüística Label (se especializa para cada subclase).
Clase: FuzzyT1. Retornar Crisp: indica cual es el valor exacto del atributo, cuando está asignado. Asignar crisp: asigna un valor exacto a el atributo. Retornar Grado de Pertenencia (Label) : retorna 1 si la etiqueta lingüística está asociada a la instancia.
Clase: FuzzyT2. Retornar Crisp: indica cual es el valor exacto del atributo, cuando está asignado. Asignar crisp: asigna un valor exacto a el atributo. Retornar Grado de Pertenencia (Label): Evalúa el grado de pertenencia en base a la especificación dada en el trapecio, correspondiente para el valor crisp de la instancia y la etiqueta especificada.
Clase FuzzyT3. Retornar Grado de Pertenencia (Label): En este caso, se evalúa la similitud entre la instancia y la etiqueta Label, según lo especificado en la instanciación de la clase celda.
Atributos difusos:
Tipo 1: Estos son atributos con datos precisos, clásicos o crisp (tradicionales, sin imprecisión), que pueden tener etiquetas lingüísticas definidas sobre sus dominios Tipo 2: Son atributos que pueden recoger datos imprecisos sobre referencial ordenado. Estos atributos admiten tanto datos crisp como difusos, en forma de distribuciones de posibilidad sobre un dominio subyacente ordenado. Los valores de este tipo de atributos difusos pueden ser las propias etiquetas lingüísticas (definidas previamente), distribuciones de posibilidad trapezoidales Tipo 3: Son atributos sobre datos de domino discreto no ordenado con analogía. En estos atributos se definen algunas etiquetas (rubio, pelirrojo, castaño...), que son escalares con una relación de similitud (o proximidad) definida sobre ellas, de forma que esta relación indique en qué medida se parecen entre sí cada par de etiquetas. Tipo 4: Son atributos sobre datos de domino discreto no ordenado sin analogía. Básicamente, este tipo es igual que el anterior pero, en este caso, estamos ante un dominio cuyos escalares o etiquetas no disponen de una relación de similitud por la que puedan ser comparados.
Comparadores Difusos.
Los comparadores de posibilidad son más generales (menos restrictivos) que los de necesidad.Por tanto, los comparadores de necesidad recuperan menos instancias y estas instancias cumplirán necesariamente con las condiciones impuestas en la consulta.
La clase estereotipo « FuzzyT1» tiene asociado una lista de etiquetas lingüísticas, de modode posibilitar el manejo de los atributos difusos
La clase estereotipo « FuzzyT2»puede almacenar valores imprecisos y ambos permiten el tratamiento difuso (consultas).
La clase estereotipo « FuzzyT3» tiene asociada una matriz que almacena los grados de similitud (gs) que se le atribuyen a los pares de etiquetas lingüísticas en consideración. No siempre la relación de similitud es simétrica, por lo que se diferenció el orden de las etiquetas en la relación
La clase estereotipo « FuzzyT4» es similar a la anterior pero sin necesidad de almacenar la relación de similitud.
Métodos de Patrón Atributos Difusos.
Clase FuzzyBD
Restricció n de Posibilidad (ClaseD, Atributo, Operador, Valor): Este método selecciona todos los objetos de la clase ClaseD que satisfacen (Atributo Operador Valor) donde Operador pertenece a {FEQ, FGT, FGEQ, FLT, FLEQ, MGT, MLT} y Valor pertenece al dominio de Atributo. Restricció n de Necesidad (ClaseD, Atributo, Operador, Valor): Este método selecciona todos los objetos de la clase ClaseD que satisfacen (Atributo Operador Valor) donde Operador pertenece a {NFEQ, NFGT, NFGEQ, NFLT, NFLEQ, NMGT, NMLT} y Valor pertenece al dominio de Atributo.Consulta FuzzyT1 (ClaseT1, Atributo, Label): Este método selecciona todos los objetos de la clase difusa tipo 1 ClaseT1, tal que el valor del atributo del tipo Atributo esté asociado al rótulo Label. Consulta FuzzyT2 (ClaseT2, Atributo, Label, gp): Este método selecciona todos los objetos de la clase difusa tipo 2 ClaseT2, tal que el valor del atributo del tipo Atributo esté asociado al rótulo Label con u n grado de pertenencia mayor a gp. Consulta FuzzyT3 (ClaseT3, Atributo, Label, gs): Este método selecciona todos los objetos de la clase difusa tipo 3 ClaseT3, tal que el atributo del tipo Atributo tenga un grado de similitud en relación al rótulo Label mayor a gs.
Clase Fuzzy. Asociar Etiqueta: asocia una etiqueta de entre las asociadas a la clase, a una instancia específica. Retornar Grado de Pertenencia (Label):retorna el grado de pertenencia de la instancia a la etiqueta lingüística Label (se especializa para cada subclase).
Clase: FuzzyT1. Retornar Crisp: indica cual es el valor exacto del atributo, cuando está asignado. Asignar crisp: asigna un valor exacto a el atributo. Retornar Grado de Pertenencia (Label) : retorna 1 si la etiqueta lingüística está asociada a la instancia.
Clase: FuzzyT2. Retornar Crisp: indica cual es el valor exacto del atributo, cuando está asignado. Asignar crisp: asigna un valor exacto a el atributo. Retornar Grado de Pertenencia (Label): Evalúa el grado de pertenencia en base a la especificación dada en el trapecio, correspondiente para el valor crisp de la instancia y la etiqueta especificada.
Clase FuzzyT3. Retornar Grado de Pertenencia (Label): En este caso, se evalúa la similitud entre la instancia y la etiqueta Label, según lo especificado en la instanciación de la clase celda.